使用Content-Type标头从eml文件中提取附件名称

Question

我正在使用Tika-server解析一堆eml文件。 使用/rmeta端点时，提取emls和附件的内容以及元数据都可以正常工作。

正确的附件文件名出现问题。 当原始eml文件中的附件部分具有以下结构时：

Content-Type: application/pdf; name="filename_a.pdf"
Content-Transfer-Encoding: base64
Content-Disposition: attachment; filename="filename_a.pdf"

一切工作正常：元数据对象中的提取文件名路径（在api响应中）为：

"X-TIKA:embedded_resource_path": "/filename_a.pdf"

但是我的一些电子邮件的标头结构格式错误（Content-Disposition中缺少文件名），即：

Content-Type: application/pdf; name="filename_a.pdf"
Content-Transfer-Encoding: base64
Content-Disposition: attachment;

然后在解析整个eml之后，我得到：

"X-TIKA:embedded_resource_path": "/embedded-1"

我在Tika的源代码中检查了\\ org \\ apache \\ tika \\ parser \\ RecursiveParserWrapper.class中定义的文件名元：

 private String getResourceName(Metadata metadata, RecursiveParserWrapper.ParserState state) {
        String objectName = "";
        if (metadata.get("resourceName") != null) {
            objectName = metadata.get("resourceName");
        } else if (metadata.get("embeddedRelationshipId") != null) {
            objectName = metadata.get("embeddedRelationshipId");
        } else {
            objectName = "embedded-" + ++state.unknownCount;
        }

        objectName = FilenameUtils.getName(objectName);
        return objectName;
    }

我试图通过检查元数据对象中的Content-Type键来以某种方式访问​​提到的filename属性，但是它不存在。 （我认为Tika不仅通过查看适当的标头来评估Content-type密钥，因此缺少所需的文件名）

因此，我的问题（由于我无法弄清楚）是否有一种方法可以修改Tika源代码，以在缺少Content-Disposition标头中的正确文件名属性时从Content-Type标头中强制提取文件名？

Answer 1

好吧，所以我自己做。 解决方法非常简单明了。

必须扩展\\ org \\ apache \\ tika \\ parser \\ mail \\ MailContentHandler.class中的条件之一 。 在第129行，我们有：

if (contentDispositionFileName != null) {
   submd.set("resourceName", contentDispositionFileName);
}

通过扩展其他else块：

if (contentDispositionFileName != null) {
   submd.set("resourceName", contentDispositionFileName);
} else {
    Map<String, String> contentTypeParameters = ((MaximalBodyDescriptor)body).getContentTypeParameters();
    String contentTypeFilename = (String)contentTypeParameters.get("name");
    submd.set("resourceName", contentTypeFilename);
}

我们强制处理程序在内容类型参数中寻找其他文件名属性。