1

我使用 Apache Tika 来提取各种文件的文本。现在我还想用它来检测文件的正确 MIME 类型。

例如，这适用于...

  • PDF 文件 ( application/pdf)
  • HTML 文件 ( text/html)

...但不适用于：

  • CSS 文件（text/plain而不是text/css）
  • Javascript 文件（text/plain而不是text/javascript）
  • ...

（这些 Mime 类型的结果来自我的应用程序以及 tika-app）。

我的应用程序需要一个确切的 MIME 类型，text/css而不是一般的text/plain. 蒂卡有可能吗？

4

1 回答 1

2

你需要做两件事。首先，您需要向 Tika 提供文件名，以便它可以使用它来帮助将纯文本类型专门化为适当的子类型（CSS、JS 等）。其次，您需要确保您使用的是足够新的 Tika 版本。

我刚刚尝试使用最新版本的 Tika，并传入文件名，它可以很好地检测 JS 和 CSS 文件：

$ java -jar tika-app-1.3-SNAPSHOT.jar --detect testCSS.css 
text/css

$ java -jar tika-app-1.3-SNAPSHOT.jar --detect testJS.js
application/javascript

此外，最新版本的 Tika（从 r1400795 开始）有一个单元测试，可以自动验证 JS 和 CSS 检测工作，所以你可以加倍确定它工作正常！

于 2012-10-22T09:11:00.797 回答