Apache Tika - 检测 JSON / PDF 特定的 MIME 类型

Question

我正在使用Apache Tika来检测一个文件的Mime类型，这个文件是用base64表示的。不幸的是，我没有其他关于文件的信息（例如扩展名）。

有什么方法可以让Tika更加具体吗？

我目前正在使用以下代码：

Tika tika = new Tika();
tika.setMaxStringLength(-1);
String mimetype = tika.detect(Base64.decode(fileString));

它给我返回了text/plain格式的JSON和PDF文件，但是我想要更具体的信息：application/json，application/pdf等...

希望有人能够帮助我！

谢谢。

- Briston12

---

Base64.decode(fileString).getBytes() 就足以正确检测 PDF 文件。有关 JSON 部分，请参见我的下面的答案。 - DJDaveMark

Answer 1

Tika#detect(String)

该方法用于检测给定文件名的文档媒体类型。

如果您传递PDF或JSON文件的内容，则不会起作用，因为该方法需要文件名。Tika会回退到text/plain，因为它找不到匹配的文件名。

PDF

对于PDF文件，您只需将一些数据写入流或者传递一些字节并让Tika通过查找文件开头附近的特殊（“Magic”）字节模式（在纯文本中是%PDF）来读取这些数据，使用Mime Magic Detection即可。

String pdfContent = "%PDF-1.4\n%\\E2\\E3\\CF\\D3"; // i.e. base64 decoded
Tika tika = new Tika();
System.out.println(tika.detect(pdfContent.getBytes())); // "application/pdf"

JSON

对于JSON数据，即使使用上述方法，返回的仍然是text/plain，Tika的判断是正确的。 application/json实际上是纯文本的一种子类型，旨在指示该文本应以不同的方式进行解释。因此，如果您获得了text/plain数据，则需要使用JSON库（例如Jackson）来解析内容并查看其是否为有效的JSON数据：

Sring json = "[1, 2, 3]"; // an array in JSON
try {
    final JsonParser parser = new ObjectMapper().getFactory().createParser(json);
    while (parser.nextToken() != null) {
    }
    System.out.println("Probably JSON!");
} catch (Exception e) {
    System.out.println("Definitely not JSON!");
}

当心你希望严格的程度，因为Jackson把单个数字1视为有效的JSON，但实际上不是。为了解决这个问题，你可以首先测试字符串是否以{或[（可能在空格之前）开头，例如使用json.matches("^\\s*[{\\[].*")，然后再试图将其解析为JSON。

这是一个关于Jackson的DZone教程。

- DJDaveMark

Answer 2

在我的过去项目中，我使用了 TikaConfig。

我的做法是：

//Note you can use alse byte[] instead of InputStream
InputStream is = new FileInputStream(new File(YOUR_FILE));
TikaConfig tc = new TikaConfig();
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, fileName);
String mimeType = tc.getDetector().detect(TikaInputStream.get(is), md).toString();

通过使用 byte[] :

byte[] fileBytes = GET_BYTE_ARRAY_FROM_YOUR_FILE;
TikaConfig tc = new TikaConfig();
Metadata md = new Metadata();
md.set(Metadata.RESOURCE_NAME_KEY, fileName);
String mimeType = tc.getDetector().detect(TikaInputStream.get(fileBytes), md).toString();

我没有遇到任何问题就获取了正确的mimeType...

希望这对你有用

Angelo

- Angelo Immediata

---

谢谢您的回答，问题是我没有文件名，只有文件的base64字符串表示。 - Briston12

您可以使用一个虚假的文件名。 - Angelo Immediata

但他在Tika中遇到的问题是无法给出确切的mimeType - 而是应该是application/json而不是text/plain。 - acthota

如果你检查流的话，它将是application/json。你应该做的是编写一个临时文件，然后让Tika来检查这个临时文件。 - Angelo Immediata

同意Tika对JSON文件的处理有些"懒散"。同样的情况也出现在CSV文件上，导致的结果是text/plain而不是text/csv。 - undefined