Apache Tika - 检测 JSON / PDF 特定的 MIME 类型

Question

我正在使用Apache Tika从其base64表示中检测文件 Mime 类型。不幸的是，我没有关于该文件的其他信息（例如扩展名）。

有什么我可以做的让蒂卡更具体吗？

我目前正在使用这个：

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

，这让我text/plain对JSON和PDF文件，但我想获得更具体的信息：application/json，application/pdf等等...

希望可以有人帮帮我！

谢谢。

Answer 1

Tika#detect(String)

检测具有给定文件名的文档的媒体类型。

传递 PDF 或 JSON 文件的内容将不起作用，因为此方法需要 filename。Tika 将回退到，text/plain因为它找不到任何匹配的文件名。

PDF

对于 PDF，您只需要将一些数据写入流，或者将一些字节传递给它，然后让 Tika 使用Mime Magic Detection通过查找靠近开头的特殊（“魔术”）字节模式来读取该数据文件（纯文本格式为%PDF）：

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

但是对于 JSON，即使这种方法也会返回text/plain，而 Tika 是正确的。application/json就像纯文本的一个子类型，表示应该以不同的方式解释文本。因此，如果您获得text/plain. 使用 JSON 库（例如Jackson）解析内容以查看它是否是有效的 JSON：

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!");
}

请注意您想要的严格程度，因为 Jackson 将单个数字1视为有效的 JSON，但事实并非如此。为了解决这个问题，您可以首先使用类似的东西来测试字符串是否以{or开头[（可能前面有空格）json.matches("^\\s*[{\\[].*")，甚至在尝试将其解析为 JSON 之前。

这是Jackson的DZone 教程。