【问题标题】:Tika detect multipart/signedTika 检测多部分/签名
【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?

标签: java email apache-tika smime


【解决方案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
猜你喜欢
  • 2022-01-08
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2016-11-04
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2015-06-26
相关资源
最近更新 更多