Java Tika 無法從 rar 文件中獲取嵌入文件

Question

使用標准實現，我傳遞了一個 doc 文件，其中有一個 image.png 圖像和文本。

使用標准實現，我傳遞了一個 doc 文件，其中有一個 image.png 圖像和文本

為了獲取文件，Tika 使用了內部ParsingEmbeddedDocumentExtractor class，其中使用了parseEmbedded方法。

首先，我實現必要的元素並調用 parse 方法：

//other objects
AutoDetectParser parser = new AutoDetectParser();
ParseContext pc = new ParseContext(); 
Metadata metadata = new Metadata();
Tika tika = new Tika();
BodyContentHandler ch = new BodyContentHandler(-1); 
InputStream is = new FileInputStream(new File("src/main/resources/sample.txt"));

//using
parser.parse(is, ch, metadata, pc);  

接下來，如果 Tika 選擇了正確的解析器並在其中調用ParsingEmbeddedDocumentExtractor class，即其parseEmbedded方法。

使用這種方法，如果我的輸入數據是一個文件：1.docx，那么在 output 我可以看到：

1.docx
 -image.png
 -text

或者如果輸入文件是：222.rar，那么在output我有：

222.rar
  -1.docx
    -image.png
    -text

同時，為了控制提取部分的過程，決定重新定義ParsingEmbeddedDocumentExtractor class ，其關鍵方法parseEmbedded 。

事實證明，我們創建了一個CustomParsingEmbeddedDocumentExtractor並將其保存在 Tika 配置中，以便它替換原始ParsingEmbeddedDocumentExtractor class：

CustomParsingEmbeddedDocumentExtractor customEmbeddedDocExtractor = new CustomParsingEmbeddedDocumentExtractor(pc);
pc.set(EmbeddedDocumentExtractor.class, customEmbeddedDocExtractor);   

同時，我沒有在新的 class 內部及其parseEmbedded方法內部進行任何更改。

在相同的輸入數據上測試新的 class 時，我們得到以下 output：

1) input file: 1.doc

output: 
1.doc
 -image.png
 -text


2) inputfile: 222.rar

222.rar
  1.doc

比較兩個類的工作，我們得到以下結果：

Result from ParsingEmbeddedDocumentExtractor:
input file: 222.rar

output:
222.rar
  -1.docx
    -image.png
    -text

Result from CustomParsingEmbeddedDocumentExtractor:
input file: 222.rar

output:
222.rar
  -1.docx

使用這個新的 class 時，無法從222.rar/1.docx文件中獲取我需要的對象 - 圖像和文本。 同時，如果你使用舊的 ParsingEmbeddedDocumentExtractor class，你可以得到這些元素。

---

目前尚不清楚是什么導致了結果中的這種差異，這僅僅是因為我只是在創建完全相同的 class 並將其保存以代替新的。 我沒有對我的新 class 進行更改，同時我得到不同的 output 結果。

---

請告訴我為什么 Tika 無法使用這種方法獲取數據？ 可能有人遇到過類似的情況，先謝謝了。

Answer 1

對於 CustomParsingEmbeddedDocumentExtractor class 的完整操作，有必要

1. 將 class 保存到配置中（在 class ParseContext pc 中）

2. 將所需的解析器保存到配置中（在我們的例子中，解析器是 class AutoDetectParser 解析器）

因此，而不是這樣的實現：

CustomParsingEmbeddedDocumentExtractor customEmbeddedDocExtractor = new CustomParsingEmbeddedDocumentExtractor(pc);
pc.set(EmbeddedDocumentExtractor.class, customEmbeddedDocExtractor);   

我們需要這樣的實現：

if (pc.get(EmbeddedDocumentExtractor.class) == null) {
    Parser p = pc.get(Parser.class);
    if (p == null) {
        pc.set(Parser.class, parser);
    }
                    
    CustomParsingEmbeddedDocumentExtractor customEmbeddedDocExtractor = new CustomParsingEmbeddedDocumentExtractor(pc);
    pc.set(EmbeddedDocumentExtractor.class, customEmbeddedDocExtractor);
}