在java中识别可搜索/不可搜索的文件

在我的应用程序中，我将收到一个文件。我必须检查文件是否具有可搜索的文本（文本内容）或不可搜索的文本（图像）并显示。在java中识别可搜索/不可搜索的文件

我无法使用文件扩展名，因为在PDF文件中，我们也可以有非可搜索类型。

我需要这个java代码。任何人都可以帮助我。

我认为这个链接可以帮助你：http://stackoverflow.com/q/620993/1001027 –

在PDF文件的情况下，你必须真正打开文件并检查它的结构，看看是什么样的它包含的数据。其他文件类型也是如此，例如Word文档。这是一项重要的工作：您必须实际支持您希望程序理解的每种文件格式。没有神奇的'File.containsSearchableData（）'方法。 – Wyzard

此问题的实际解决方案将涉及从文件内容中找出未知文件的MIME类型。然后，您需要建立从MIME类型到类的映射，以提取相应文件类型的文本。

有做的第一部分（识别MIME类型）库，虽然这是一种启发式的过程，可以（在理论上）返回错误的答案，或者（实际上）“未知”。下面是关于如何做到这一点做题和其他参考样本：

2012-06-09 01:20:43

这掌握在data mining面积，还有搜索引擎（Lucene）。有很多转换器（pdftotext，htmltotext，unzip，等等）。然后字符编码起作用; UTF16-LE每个字符使用两个字节。某些文件类型具有标识标头，魔术饼干（JPEG，GIF，PDF）。

最好做最适合您的需求的项目的互联网研究。然后在设计一个功能流水线之后，增加功能。

如果你需要一个设计，为数据挖掘死者的标准，JDM 2.0可能提供的API。

2012-06-09 01:39:59

回答