Apache Tika

Tika簡介

Apache Tika 是一個內容分析工具，支援多種檔案格式辨別，並且可以提取檔案內部的相關內容，所以在搜尋引擎、翻譯、內容分析等許多方面被廣泛的使用。除了與Java整合之外，也另外提供CLI的介面供使用者使用。

Tika的特點

1. 多元的元數據：Tika可以透過元數據模型來理解檔案
2. MIME類型檢測：Tika可以透過MIME標準的媒體類型來提取內容
3. 語言檢測：Tika透過n-gram算法來進行語言辨識
4. 內容提取：Tika透過解析器庫，分析各類文件的格式，再依照檔案類型，使用對應的分析器，並提取文件內容

Tika辨別檔案類型

1. 在Maven增加Tika

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-core</artifactId>
    <version>${tika-core.version}</version>
</dependency>

2. 從spring mvc接受MultipartFile，建立TikaInputStream，從tikaConfig取得detector進行辨別

public MediaType getTikaMediaType(MultipartFile multipartFile) {
    byte[] bytes = multipartFile.getBytes();
    TikaConfig tikaConfig = new TikaConfig();
    ByteArrayInputStream byteArrayInputStream = new ByteArrayInputStream(bytes);
    TikaInputStream tikaInputStream = TikaInputStream.get(byteArrayInputStream);
    return tikaConfig.getDetector().detect(tikaInputStream, new Metadata());
}

ImageIo

BufferedImage是什麼？

BufferedImage是imageio處理圖片的物件，裡面會有兩個組成ColorModel、Raster，ColorModel定義了這張圖片的色彩能力、檔案類型等，而Raster中有兩個主要元件SampleModel、Databuffer，SampleModel決定了如何存取某個位置的顏色方法，而Databuffer就是儲存原本圖片的Raw Data

判別是否為圖片

從spring mvc接收MultipartFile，建立ImageInputStream，取得ImageReader來判別是否能生成物件(是否是圖片)

public boolean isImage(MultipartFile multipartFile) {
	boolean isImage = false;
	byte[] bytes = multipartFile.getBytes();
	ByteArrayInputStream byteArrayInputStream = new ByteArrayInputStream(bytes);
	ImageInputStream imageInputStream = ImageIO.createImageInputStream(byteArrayInputStream);
	Iterator<ImageReader> iter = ImageIO.getImageReaders(imageInputStream);
	if (iter.hasNext()) {
		isImage = true;
	}
    return isImage;
}

結語

不論是透過Tika或是Java的imageio，都可以辨別是否檔案為圖片，但如果需要圖片的更多細節，可以從Tika的Metadata取得，使用上比起imageio來的順手，也能在用戶上傳檔案前多一層辨別和阻擋