Tika：Js、Css 的 MIME 类型检测

Question

我使用 Apache Tika 来提取各种文件的文本。现在我还想用它来检测文件的正确 MIME 类型。

这适用于例如...

• PDF 文件 (application/pdf)
• HTML 文件 (text/html)

...但不适用于：

• CSS 文件（text/plain 而不是 text/css）
• Javascript 文件（text/plain 而不是 text/javascript）
• ...

（这些 Mime 类型的结果来自我的应用程序以及 tika-app）。

我的应用程序需要一个精确的 MIME 类型，例如 text/css，而不是一般的 text/plain。 Tika 可以做到这一点吗？

Answer 1

你需要做两件事。首先，您需要向 Tika 提供文件名，以便它可以使用它来帮助将纯文本类型专门化为适当的子类型（CSS、JS 等）。其次，您需要确保您使用的是足够新的 Tika 版本。

我刚刚尝试了最新版本的 Tika，并通过传入文件名，它可以很好地检测 JS 和 CSS 文件：

$ java -jar tika-app-1.3-SNAPSHOT.jar --detect testCSS.css 
text/css

$ java -jar tika-app-1.3-SNAPSHOT.jar --detect testJS.js
application/javascript

此外，最新版本的 Tika（从 r1400795 开始）有一个单元测试，可以自动验证 JS 和 CSS 检测是否有效，因此您可以更加确信它可以正常工作！