Apache Tika 和文件访问而不是 Java 输入流

Posted 2023-02-25

【中文标题】Apache Tika 和文件访问而不是 Java 输入流

【英文标题】：Apache Tika and File access instead of Java Input Stream

【发布时间】：2011-08-27 14:27:25

【问题描述】：

我希望能够创建一个新的 Tika 解析器来从文件中提取元数据。我们已经在使用 Tika，元数据提取将始终如一地进行。

我认为我遇到了 Tika 的这个问题/增强请求：

Allow passing of files or memory buffers to parsers

我有一个控制台 c++ 可执行文件，它在输入时接受文件的路径，然后输出它找到的元数据，每行由名称/值对组成。 c++ 代码依赖于在访问数据时需要文件路径的库。 用 Java 重写这个可执行文件是不可能的。 我认为将其插入 Tika 会相当容易。但是 Tika 解析器需要在 Java 中，并且需要重写的 Tika 解析器方法需要一个开放的输入流：

void parse(InputStream 流、ContentHandler 处理程序、元数据元数据、ParseContext 上下文)

所以我想我唯一的解决方案是获取输入流并将其写入临时文件，然后处理写入的文件，然后最终清理文件。我讨厌弄乱临时文件，然后可能不得不担心临时文件的清理，如果出现问题并且它不会被删除。

有没有人知道如何干净利落地处理这样的事情？

【参考方案1】：

TikaInputStream 应该会有所帮助。它处理包装文件或输入流，并根据解析器的需要在它们之间进行内部转换。它会根据您的需要执行所有临时文件位。

一些 Java 解析器已经使用它，因为它们需要一个文件而不是输入流。更重要的是，拥有文件的用户可以将其传递给以 InputStream 封装的 Parser，而 Parser 可以根据需要将其读取为 File 或 InputStream。

所以，我建议您将 InputStream 转换为 TikaInputStream（如果它已经是一个，则只是一个转换），然后获取文件并将其传递给您的 c++。

【讨论】：

谢谢。我正在寻找类似的东西。

【参考方案2】：

如果我理解正确并假设您使用Runtime.exec 启动C++ 程序，您可以将Processs 标准输出流解析为Tika 想要的InputStream。这样行吗？

【讨论】：

我认为这行不通，但我对 Tika 的了解还不够，无法肯定地说。

你和我都有：但我知道你可以做一个Process proc = Runtime.getRuntime().exec(cmd); InputStream is = proc.getInputStream(); 并且你会得到这个过程的输出。您可以将其包装在 BufferedInputStream 中，看看它对您有什么作用。不确定 Tika 将如何区分它和任何其他 InputStream。