为什么带有 get .mp4 文件的 Apache tika 响应内容类型为“video/quicktime”？

Question

我使用此函数获取文件 contentType ，当使用 .jpg 文件时接收“image/jpg”。使用 .mp4 接收“video/quicktime”

public static String detectMediaType(String fileName,byte[] data) {
    ByteArrayInputStream inputStream = new ByteArrayInputStream(data);
    AutoDetectParser parser = new AutoDetectParser();
    Detector detector = parser.getDetector();
    Metadata md = new Metadata();
    md.add(Metadata.RESOURCE_NAME_KEY, fileName);
    try{
        MediaType mediaType = detector.detect(inputStream, md);
        return mediaType.toString();
    }catch (IOException ex){
        throw new RuntimeException("Failed to detect mediaType for file: " + fileName,ex);
    }
}

Answer 1

我遇到了同样的问题，并且想知道为什么在使用上面的答案后我仍然得到“video/quicktime”作为 Mimetype。总结一下一切：

• 使用解析器来检测元数据（如第一个答案）

• 使用TikaInputStream（如第二个答案中所示），但不要尝试重用它

• 在依赖项中包含适合您的情况的特定解析器（在本例中是 org.apache.tika.parser.mp4.MP4Parser

   Tika tika = new Tika();
   String detectedType;
  
   try (
     TikaInputStream parserInputStream = TikaInputStream.get(new ByteArrayInputStream(bytes));
     TikaInputStream detectionInputStream = TikaInputStream.get(new ByteArrayInputStream(bytes));
   ) {
     // reading metadata from file, important for video type detection (quicktime, mp4, ...)
     Parser parser = new AutoDetectParser();
     BodyContentHandler handler = new BodyContentHandler();
     Metadata metadata = new Metadata();
     ParseContext context = new ParseContext();
     parser.parse(parserInputStream, handler, metadata, context);
     // read the type
     // would like to reuse the stream from above (used by parser), but this can end in a wrong mimetype
     // parserInputStream.reset();
     detectedType = tika.detect(detectionInputStream, metadata);
   } catch (Exception ex) {
     detectedType = tika.detect(bytes);
     log.warn("Could not read MimeType of file '{}' using Metadata, using fallback detection: '{}'", file.getOriginalFilename(), detectedType);
   }
  

依赖关系，例如在 Maven 中：

<dependency>
  <groupId>org.apache.tika</groupId>
  <artifactId>tika-core</artifactId>
</dependency>
<dependency>
  <groupId>org.apache.tika</groupId>
  <artifactId>tika-parser-audiovideo-module</artifactId>
  <scope>runtime</scope>
</dependency>

Answer 2

这是预期的，因为您正在使用 tika 检测器功能，该功能对于 mp4 或其他 QuickTime 格式返回通用“视频/quicktime”。如果您需要获得像“video/mp4”这样的精确类型，您应该另外使用 tika 解析器，例如：

if (mediaType.equals(MediaType.video("quicktime"))) {
    Parser parser = new AutoDetectParser();
    ContentHandler handler = new BodyContentHandler();
    Metadata metadata = new Metadata();
    ParseContext context = new ParseContext();
    parser.parse(inputStream, handler, metadata, context);
}

Answer 3

我在使用 Tikas DefaultDetector 时遇到了同样的问题。

解决方案，如下所示：https://tika.apache.org/2.3.0/detection.html（在“容器感知检测”下），是使用

TikaInputStream

，而不是标准

InputStream

.

detector.detect(TikaInputStream.get(inputStream), metadata);

• 不要忘记关闭流。
• 还要确保

  tika-parsers-*

  jar 位于类路径中。

Answer 4

在这里对其他答案添加一些澄清。

@uhon的答案仅在使用

TikaInputStream.get

或

File

调用静态

Path

方法时才会产生影响，以便Tika可以根据文件名添加一些元数据。当 Tika 看到

.mp4

扩展名时，它将通过将

MP4Parser

应用于问题来触发 Tika 的容器感知检测。

如果输入是

byte[]

，则只需将其包装在

TikaInputStream

中而不在

MetaData

参数中提供文件名将不会有任何区别，因为

TikaInputStream

没有额外的元数据可提供。

@Dasch33的答案基本上是正确的，除了如果你已经知道你将使用重量级解析器而不仅仅是检测器，

TikaInputStream

对于这个用例没有任何区别。请注意，额外的元数据可能会对其他容器类型（例如 zip 和 OLE2）产生影响，但在我的测试中它不会影响 MP4 视频的解析 -- Tika 的解析器足够聪明，可以在没有它的情况下委托给它的

MP4Parser

。将任何内容（包括

ByteArrayInputStream

）传递给解析器将正确检测

video/mp4

。

@zygimantus 的答案最接近目标，首先使用轻量级检测器，然后有条件地应用较重的解析来缩小视频类型的范围。然而，没有必要创建所有这些对象，并且它没有进行适当的资源管理。解决方案可以很简单：

// if your input is an InputStream or File or Path
// it can be passed directly to `tika.parse`.
byte[] input = ...

var metaData = new MetaData()
try(var ignored = tika.parse(new ByteArrayInputStream(input), metaData)) { } catch (IOException e) { ... }

var mime = metaData.get(Metadata.CONTENT_TYPE);

对

tika.parse

 的调用会返回 

Reader

，提供对输入文本内容的访问。在这里，对于这个用例，我们不关心文本内容——我们只需要解析器提供的高级检测功能。但尽管如此，

返回的 reader 负责关闭流资源，因此我们需要将其封装在 try-with-resources 中。