使用 Tika 获取 MIME 类型和文件的一部分

Question

Tika 是否可以在不加载整个文件的情况下获取 MIME 类型或其他元数据？

我可以编写一个脚本来获取前 1MB。我正在考虑这样做以减轻Tika 和我的服务器上的一些负载。

Answer 1

对于基于容器的格式，Apache Tika 需要整个文件来确定类型。容器格式几乎包括基于 zip 文件的所有内容（Word .docx、OpenDocumentFormat .odf、iWorks 等）、基于 OLE2 格式的所有内容（Excel .xls、韩文、MSI 等），以及几乎所有的多媒体格式.您通常可以根据文件名和容器类型进行很好的猜测，但要确保您需要处理整个文件以识别内容和文件类型

对于其他一切，如果 Tika 可以检测文件类型，那么只需要前几十 KB，甚至通常只需要前几百字节。 （取决于所讨论的格式 - 不同的格式在不同的地方有其可预测的签名）

如果您不需要 Tika 的最佳检测猜测，但可以使用稍低的确定性（尤其是基于容器的格式），那么只需给 Tika 文件的开头即可。或者告诉 Tika 只使用 mime 魔法检测器，而不使用任何特定于容器的检测器。