Question

我正在处理文本文件，图像和文档（.log，.txt，.pdf，.doc，.docx，.jpeg，.jpg，.png，.tiff等）。我需要获取一些元数据基于文件的内容而不是扩展名。所以，我的问题是：

Q1。如何使用Java区分这些类别的文件（纯文本文件，文本文档（.docx），pdf，图像）？

Q2。 Java中的任何库在此过程中会有所帮助吗？

Q3。包含扫描图像的pdf和包含文本的pdf在任何属性或与此相关的内容上是否有所不同？

PS：我对此没有太多专业知识，所以如果我在问卷调查中写错了，请纠正我。

Answer 1

您可以使用Apache Tika之类的东西来检测MIME类型。它分析二进制数据以检测MIME类型。

从前几个字节（％PDF）中检测到PDF。如果您想了解有关元数据的更多信息，可以使用Apache PDFBox之类的工具，该工具可以检索元数据（请参阅：https://pdfbox.apache.org/1.8/cookbook/workingwithmetadata.html）

Answer 2

您可以使用Apache Tika内容检测。

import java.io.File;

import org.apache.tika.Tika;

public class Typedetection {

   public static void main(String[] args) throws Exception {

      //assume example.mp3 is in your current directory
      File file = new File("example.mp3");//

      //Instantiating tika facade class 
      Tika tika = new Tika();

      //detecting the file type using detect method
      String filetype = tika.detect(file);
      System.out.println(filetype);
   }

Q3。包含扫描图像的pdf和包含文本的pdf在任何属性或与此相关的内容上是否有所不同？

您还可以从包含图像和文本文件的pdf中提取图像和文本文件。这称为嵌入式提取。检查：

https://svn.apache.org/repos/asf/tika/trunk/tika-example/src/main/java/org/apache/tika/example/ParsingExample.java

如何使用Java区分黑白文本文件，图像，文档？

2 个答案: