Извлеките только имена файлов из архива с помощью Apache Tika

Question

Я хочу, чтобы Tika выдавала только имена файлов в архиве (если входной файл является архивом) и содержимое файла как обычно, если входной файл не является архив. Как я могу это сделать?

Answer 1

я расширил класс ParsingEmbeddedDocumentExtractor

class CustomParsingEmbeddedDocumentExtractor extends ParsingEmbeddedDocumentExtractor { 
    public CustomParsingEmbeddedDocumentExtractor(ParseContext context) { 
    super(context); 
    } 

    public void parseEmbedded(
     InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml) 
     throws SAXException, IOException { 


    String name = metadata.get(Metadata.RESOURCE_NAME_KEY); 
    if (name != null && name.length() > 0) { 
     handler.startElement(XHTML, "h1", "h1", new AttributesImpl()); 
     char[] chars = name.toCharArray(); 
     handler.characters(chars, 0, chars.length); 
     handler.endElement(XHTML, "h1", "h1"); 
    } 

    //Removed the parsing logic here.. We just want the file names.. 

    } 
} 

и установить его в переменную ParseContext перед выполнением someparser.parse()

context.set(EmbeddedDocumentExtractor.class, new CustomParsingEmbeddedDocumentExtractor(this.context)); 

Это работает только для Zip, Tar и банку. Этого достаточно для меня.