使用 tika 检索错误的 mimetype (application/x-tika-ooxml)

Question

对于 docx 文件，我检索application/x-tika-ooxml，但我应该application/vnd.openxmlformats-officedocument.wordprocessingml.document检索

这是我的方法：

public String retrieveMimeType(InputStream stream) throws IOException, TikaException {
        TikaInputStream tikaStream = null;
        TikaConfig tikaConfig = new TikaConfig();
        MediaType mediaType = null;

        try {
            mediaType = tikaConfig.getDetector().detect(TikaInputStream.get(stream), new Metadata());
        } catch (Throwable t) {
            throw t;
        } finally {
            if (tikaStream != null) {
                try {
                    tikaStream.close(); 
                } catch (IOException e) {
                }
            }
        }
        return mediaType.toString();
    }

还有我的依赖：

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.1.0</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers</artifactId>
    <version>1.27</version>
</dependency>

我使用 tika-core 和 tika-parsers 来检索正确的 mimetype，但它仍然给我错误的 mimetype...

Answer 1

更新您的 tika 模块。其版本tika-core及其模块应始终相同。

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>2.1.0</version>
</dependency>
<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers-standard-package</artifactId>
    <version>2.1.0</version>
</dependency>

新的微软文档格式（docx、xlsx、 ...）只是zip来自外部的档案。较旧的 tika 版本默认情况下不会研究它们，这就是为什么根据版本，它们会将它们检测为application/zip或application/x-tika-ooxml。您可以在此处阅读有关此内容的更多信息。

然而，分析档案可能会导致性能下降。为了防止这种情况，您可以根据您的用例，按名称确定 mime 类型（见下文）或使用现有的 mime 类型，例如Content-Type header。

final Metadata metadata = new Metadata();
metadata.add(TikaCoreProperties.RESOURCE_NAME_KEY, fileName);
detector.detect(stream, metadata);

在 HTTP 请求中，文件名也可能位于Content-Disposition 标头中。