Tika - 복합 문서에서 고유 항목 추출

Question

질문 : 첨부 파일이있는 전자 메일 메시지가 있다고 가정합니다 (JPEG 첨부라고 가정). 어떻게하면 (Tika facade 클래스를 사용하지 않고) 이메일 메시지를 구문 분석하고 고유 한 부분을 반환합니까? a) 이메일 텍스트 내용과 b) 이메일 첨부 파일?

구성 : 티카 1.2 자바 1.7

상세 사항 : 나는 제대로 기본 전자 메일 메시지 형식으로 전자 메일 메시지를 구문 분석 할 수 있었다. 그러나 구문 분석 후, 나는 이메일의 텍스트 내용과 b) 이메일에 첨부 된 내용을 알아야한다. 본인의 데이터베이스에 이러한 항목을 본질적으로 하위 첨부 파일이있는 전자 메일로 저장합니다.

알아낼 수없는 것은 내가 뚜렷한 부분을 "되돌릴"수 있고 부모 이메일에 첨부 파일이 있으며 메일에 참조 된 첨부 파일을 별도로 저장할 수 있다는 것입니다. 이것은 ZipFile 내용 추출과 근본적으로 유사하다고 생각합니다.

코드 예 :

private Message processDocument(String fullfilepath) { 
    try { 
     File filename = new File(fullfilepath) ; 
     return this.processDocument(filename) ; 
    } catch (NullPointerException npe) { 
     Message error = new Message(false) ; 
     error.appendErrorMessage("The file name was null.") ; 
     return error ; 
    } 
} 

private Message processDocument(File filename) { 
    InputStream stream = null; 
    try { 
     stream = new FileInputStream(filename) ; 
    } catch (FileNotFoundException fnfe) { 
     // TODO Auto-generated catch block 
     fnfe.printStackTrace(); 
     System.out.println("FileNotFoundException") ; 
     return diag ; 
    } 

int writelimit = -1 ; 
ContentHandler texthandler = new BodyContentHandler(writelimit); 
this.safehandlerbodytext = new SafeContentHandler(texthandler); 
this.meta = new Metadata() ; 
ParseContext context = new ParseContext() ; 

AutoDetectParser autodetectparser = new AutoDetectParser() ; 

try { 

    autodetectparser.parse(
     stream, 
     texthandler, 
     meta, 
     context) ; 

    this.documenttype = meta.get("Content-Type") ; 

    diag.setSuccessful(true); 

} catch (IOException ioe) { 
    // if the document stream could not be read 
    System.out.println("TikaTextExtractorHelper IOException " + ioe.getMessage()) ; 
    //FIXME -- add real handling 

} catch (SAXException se) { 
    // if the SAX events could not be processed 
    System.out.println("TikaTextExtractorHelper SAXException " + se.getMessage()) ; 
    //FIXME -- add real handling 

} catch (TikaException te) { 
    // if the document could not be parsed 
    System.out.println("TikaTextExtractorHelper TikaException " + te.getMessage()) ; 
    System.out.println("Exception Filename = " + filename.getName()) ; 
    //FIXME -- add real handling 

} 

}

Answer 1

티카가 포함 된 문서를 명중, 당신은 재귀 파서를 공급하고 있는지 확인하기 위해 ParseContext로 이동합니다. 가지고 있다면 임베디드 리소스를 처리하는 데 사용합니다. 그렇지 않으면 건너 뜁니다.

public static class HandleEmbeddedParser extends AbstractParser { 
    public List<File> found = new ArrayList<File>(); 
    Set<MediaType> getSupportedTypes(ParseContext context) { 
     // Return what you want to handle 
     HashSet<MediaType> types = new HashSet<MediaType>(); 
     types.put(MediaType.application("pdf")); 
     types.put(MediaType.application("zip")); 
     return types; 
    } 
    void parse(
     InputStream stream, ContentHandler handler, 
     Metadata metadata, ParseContext context 
    ) throws IOException { 
     // Do something with the child documents 
     // eg save to disk 
     File f = File.createTempFile("tika","tmp"); 
     found.add(f); 

     FileOutputStream fout = new FileOutputStream(f); 
     IOUtils.copy(stream,fout); 
     fout.close(); 
    } 
} 

ParseContext context = new ParseContext(); 
context.set(Parser.class, new HandleEmbeddedParser(); 
parser.parse(....);