java - Apache 蒂卡 1.7 : Parse files in a zip archive

Question

使用 Apache Tika 1.7，如何递归解析 zip 存档中的文件直至达到某个递归限制？

递归部分很重要，因为一个 zip 存档可能包含另一个 zip 存档。

我认为可以使用新的 RecursiveParserWrapper 来完成，但我在网上找不到任何示例 - Jukka 的示例 here使用与 Tika 1.7 提供的接口(interface)不同的接口(interface)

Answer 1

理论上，这应该只是将您指向 Apache Tika Examples page 的情况。 ，但现在递归是 only one still to finish对于该页面。因此，我必须为您获取一个合适的单元测试，并对其进行修改以达到限制

基本上，您需要的关键类是 EmbeddedDocumentExtractor 。您需要在 ParseContext 上提供该实现，并将其用于递归。通常你可以使用 ParsingEmbeddedDocumentExtractor ，但既然你想要限制，你需要一个自定义的

尝试如下:

protected class RecurseWithLimits extends ParsingEmbeddedDocumentExtractor {
   protected static final int MAX_DEPTH = 4;
   private int depth;
   private ParseContext context;
   private RecurseWithLimits child;
   protected RecurseWithLimits() {
      this(0, new ParseContext());
   }
   private RecurseWithLimits(int depth, ParseContext context) {
      super(context);
      this.context = context;
      this.depth = depth;
   }
   @Override
   public void parseEmbedded(
        InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml)
        throws SAXException, IOException {
       if (child == null) {
          if (depth >= MAX_DEPTH) {
             // Too deep, skip
             return;
          }
          child = new RecurseWithLimits(depth+1);
          context.set(EmbeddedDocumentExtractor,child);
       }
       super.parse(stream,handler,metadata,outputHtml);
   }
}

// In main parsing code
Parser parser = new AutoDetectParser();
InputStream inp = TikaInputStream.get(new File("test.zip"));
ContentHandler text = new BodyContentHandler();
ParseContext context = new ParseContext();
context.set(EmbeddedDocumentExtractor, new RecurseWithLimits());
parser.parse(inp, new Metadata(), text, context);