Tika 检测多部分/签名

Posted 2023-03-15

【中文标题】Tika 检测多部分/签名

【英文标题】：Tika detect multipart/signed

【发布时间】：2015-02-08 11:00:24

【问题描述】：

我正在使用 Tika 自动检测被推送到 DMS 中的文档的内容类型。除了电子邮件之外，几乎所有东西都可以正常工作。

我必须区分标准邮件消息 (mime => message/rfc822) 和签名邮件消息 (mime => multipart/signed)，但所有电子邮件都被检测为 message/rfc822。

未正确检测到的签名邮件具有以下内容类型标头：

Content-Type: multipart/signed; protocol="application/x-pkcs7-signature"; micalg=sha1; boundary="----4898E6D8BDE1929CA602BE94D115EF4C"

我用来解析的java代码是：

Detector detector;
List<Detector> detectors = new ArrayList<Detector>();
detectors.add(new ZipContainerDetector());
detectors.add(new POIFSContainerDetector());
detectors.add(MimeTypes.getDefaultMimeTypes());
detector = new CompositeDetector(detectors);
String mimetype = detector.detect(TikaInputStream.get(new File(args[0])), new Metadata()).toString();

我正在引用核心库和 tika-parsers 来检测 pdf 和 msword 文档。我还缺少其他东西吗？

【问题讨论】：

您是否尝试升级到最新版本的 Apache Tika？

是的，版本 1.6 - 我没有找到二进制文件，只是我首先使用 Maven 更新编译的 Tika 网站上的源代码。有比 1.6 更新的版本吗？

1.7 原定于不久前发布，但已延迟。如果您已经使用 maven 从源代码构建，只需从 svn / git 签出最新（主干）代码并构建它以尝试最新版本！

我会尝试，我会告诉你结果。谢谢

我按照最新版本 (1.7) 的建议进行了尝试，但仍然无法区分“message/rfc822”和“multipart/signed”。我错过了一些检测器吗？

【参考方案1】：

我解决了我的问题。我通过实现Detector 接口实现了一个自定义检测器：

public class MultipartSignedDetector implements Detector 

  @Override
  public MediaType detect(InputStream is, Metadata metadata) throws IOException 

    TemporaryResources tmp = new TemporaryResources();

    TikaInputStream tis = TikaInputStream.get(is, tmp);
    tis.mark(Integer.MAX_VALUE);

    try 

      MimeMessage mimeMessage = null;
      String host = "host.com";
      Properties properties = System.getProperties();
      properties.setProperty("mail.smtp.host", host);
      Session session = Session.getDefaultInstance(properties);

      mimeMessage = new MimeMessage(session, tis);

      if(mimeMessage.getContentType() != null && mimeMessage.getMessageID() != null && mimeMessage.getContentType().toLowerCase().contains("multipart/signed"))
        return new MediaType("multipart", "signed");
      else
        return MediaType.OCTET_STREAM;

     catch(Exception e) 
      return MediaType.OCTET_STREAM;
     finally 
      try 
        tis.reset();
        tmp.dispose();
       catch (TikaException e) 
        // ignore
    
  
 

然后将自定义检测器添加到默认检测器之前的复合检测器：

Detector detector;
List<Detector> detectors = new ArrayList<Detector>();
detectors.add(new ZipContainerDetector());
detectors.add(new POIFSContainerDetector());

detectors.add(new MultipartSignedDetector());

detectors.add(MimeTypes.getDefaultMimeTypes());
detector = new CompositeDetector(detectors);
String mimetype = detector.detect(TikaInputStream.get(new File(args[0])), new Metadata()).toString();

【讨论】：

与其手动将其添加为新的检测器，将其添加到自动检测列表中不是更容易吗？参见this for parsers，但添加到检测器服务文件中