Apache Tika - 仅解析和提取元数据而不读取内容

Question

有没有办法配置 Apache Tikka，使其仅从文件中提取元数据属性，而不访问文件的内容。 ？我们需要一种方法来做到这一点，以避免读取较大文件中的全部内容。

我们使用的提取代码如下：

        var tikaConfig = TikaConfig.getDefaultConfig();
        var metadata = new Metadata();

        AutoDetectParser parser = new AutoDetectParser(tikaConfig);
        BodyContentHandler handler = new BodyContentHandler();

        using (TikaInputStream stream = TikaInputStream.get(new    File(filename), metadata))
        {
            parser.parse(stream, handler, metadata, new ParseContext());

            Array metadataKeys = metadata.names();
            Array.Sort(metadataKeys);
        }

通过上面的代码示例，当我们尝试提取元数据时，即使内容正在被读取。我们需要一种方法来避免同样的情况。

Answer 1

这不是最好的解决方案，但我发现当解析一个

BodyContentHandler

限制非常小的文档时，它会停止读取内容，但仍然会获取元数据。

这适用于 Tika 3.0.0（截至 2024 年 11 月 6 日）。

    public void parse(MultipartFile file) {
        Metadata metadata = new Metadata();
        try (InputStream inputStream =  file.getInputStream()){
            BodyContentHandler handler = new BodyContentHandler(1);
            ParseContext pcontext = new ParseContext();

            AutoDetectParser epubParser = new AutoDetectParser();
            epubParser.parse(inputStream, handler, metadata, pcontext);
        } catch (IOException | TikaException | SAXException e) {
           // empty on purpose
        }

        for (String name : metadata.names()) {
            System.out.println(name + ": " + metadata.get(name));
        }
    }