我正在使用 Apache Tika 对各种文档(ODS、MS office、pdf)进行简单处理。我必须至少得到:
word count, author, title, timestamps, language etc.
这可没那么简单。我的策略是对 6 种类型的文档使用模板方法模式,首先找到文档类型,然后根据它单独处理它。
我知道 apache tika 应该不需要这样做,但是文档格式完全不同,对吗?
例如
InputStream input = this.getClass().getClassLoader().getResourceAsStream(doc);
ContentHandler textHandler = new BodyContentHandler();
Metadata metadata = new Metadata();
Parser parser = new OfficeParser();
parser.parse(input, textHandler, metadata, new ParseContext());
input.close();
for(String s : metadata.names()) {
System.out.println("Metadata name : " + s);
}
我尝试对 ODS、MS office、pdf 文档执行此操作,但 metadada 差异很大。 MSOffice 界面列出了 MS 文档的元数据键和一些 Dublic Core 元数据列表。但是应该如何实现这样的应用程序呢?
请有经验的 friend 分享下经验?谢谢
最佳答案
一般来说,解析器应该为所有文档格式中的同类事物返回相同的元数据键。但是,某些类型的元数据仅出现在某些文件类型中,因此您无法从其他文件类型中获取这些元数据。
您可能只想使用 AutoDetectParser,如果您需要对之后基于 mime 类型的元数据句柄做任何特殊操作,例如
Metadata metadata = new Metadata();
metadata.set(Metadata.RESOURCE_NAME_KEY, filename);
ParseContext context = new ParseContext();
Parser parser = new AutoDetectParser();
parser.parse(input, textHandler, metadata, new ParseContext());
if(metadata.get(CONTENT_TYPE).equals("application/pdf")) {
// Do something special with the PDF metadata here
}
关于java - Apache Tika 和文档元数据,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/5129965/