我可以在 Google App Engine 上使用 Tika 进行内容提取吗？

Question

我正在开发一项网络服务，该服务需要从上传的文档（PDF、PowerPoint、Word 等）中提取内容，并且我想将其托管在 Google App Engine 上以降低成本。如果没有运行 Google Compute VM 来运行 Solr/Tika 作为服务器，我有哪些选择？我可以使用 App Engine 的 Java 托管来包装 Tika 并返回内容吗？

应用流程如下所示：

1. 用户上传文档。 Worker 任务被放入队列中。
2. Worker 任务被消耗，触发将文件名发送到 Solr 以进行 Tika 提取。这个过程可以假设是一个 Java 应用程序读取文件的内容并将它们发送到 Tika。
3. 内容存储在全文搜索引擎和数据库中。

使用任务队列执行 Tika 命令行应用似乎是不可能的。

Answer 1

简答：

它的大部分功能都不是开箱即用的。

太多的代码依赖于File 对象，并创建了 GAE 中不存在的临时File 对象。

长答案：

它是开源的，您可以修改代码并将调用采用 File 对象的方法的内容更改为采用 InputStream 对象，然后您可以处理存在于 Blobstore 或 @987654326 中的内容@。

这是我现在正在破解的一个示例：

@NotNull
public static Metadata readMetadata(@NotNull File file) throws JpegProcessingException, IOException
{
    JpegSegmentReader segmentReader = new JpegSegmentReader(file);
    return extractMetadataFromJpegSegmentReader(segmentReader.getSegmentData());
}

哪里有这个与File 对象无关的完美调用：

@NotNull
public static Metadata readMetadata(@NotNull InputStream inputStream, final boolean waitForBytes) throws JpegProcessingException
{
    JpegSegmentReader segmentReader = new JpegSegmentReader(inputStream, waitForBytes);
    return extractMetadataFromJpegSegmentReader(segmentReader.getSegmentData());
}