2

我知道 Tika 有一个非常好的包装器，可以让我从解析文件中获取 Reader，如下所示：

Reader parsedReader = tika.parse(in);

但是，如果我使用它，我无法指定我想要的解析器和我想要传递的元数据。例如，我想传递额外的信息，比如要使用的处理程序、解析器和上下文，但我可以如果我使用这种方法，请不要这样做。据我所知，它是唯一让我取回 Reader 实例并逐步读取而不是取回整个解析字符串的方法。

我想包括的事情的例子：

        Parser parser = new AutoDetectParser();
        BodyContentHandler handler = new BodyContentHandler(-1);
        Metadata metadata = new Metadata();
        metadata.set(Metadata.RESOURCE_NAME_KEY, fileName); //This aids in the content detection
        ParseContext context = new ParseContext();
        context.set(Parser.class, parser);
        parser.parse(is, handler, metadata, context);

但是，直接在解析器上调用 parse 不会返回阅读器，我唯一的选择（在文档中注意到）是返回完全解析的字符串，这可能不适合内存使用。我知道我可以限制返回的字符串，但我想远离它，因为我想要完全解析的信息，但以增量方式。两全其美，这可能吗？

4

1 回答 1

1

Apache Tika的众多优点之一是它是开源的，因此您可以看到它是如何工作的。您正在使用的Tika 外观的类在这里

您感兴趣的该课程的关键是这一点：

public Reader parse(InputStream stream, Metadata metadata)
        throws IOException {
    ParseContext context = new ParseContext();
    context.set(Parser.class, parser);
    return new ParsingReader(parser, stream, metadata, context);
}

您会看到 Tika 如何获取解析器和流，并将其处理到 Reader。做类似的事情，你就准备好了。或者，编写您自己的 ContentHandler 并直接调用它以实现完全控制！

于 2013-04-29T21:26:08.567 回答