如何为几种文档类型正确配置Apache Tika？
我一直在使用Tika，我知道一个人应该只使用Tika facade，默认或自定义TikaConfig代表org/apache/tika/mime/tika-mimetypes.xml文件。
我的应用程序不允许任何文档类型不同于html,doc,docx,odt,txt,rtf,srt,sub,pdf,odf,odp,xls,ppt,msg
默认的MediaTypes包含大量其他。
我们是否应该修改tika-mimetypes.xml以便删除我们不需要的MimeTypes？ 然后根据我的理解，它将仅为这些MimeTypes创建复合解析器和检测器。
但是当提供不受支持的类型时会发生什么？ 我应该只是捕获TikaException或一些SAXException并拒绝该文件？
还有人应该如何手动编辑tika-mimetypes.xml？ 它有1290个MimeTypes，其中大多数都是荒谬的第三方MimeTypes。 他们为什么在那里？
如果您只想接受某些类型，那么您仍然需要设置完整的mimetypes。 否则，你怎么能检测到某人给你的文件实际上是MP3，而不是你批准的格式之一？ 因此，请保留完整的mimtypes进行检测
一旦你完成了检测步骤，并且你已经确定它是一个有效的mimetype，你可以将文件传递给AutoDetectParser并完成它。 毕竟，你要检查探测器返回的mimetype，如果不是你喜欢的那个，那就已经拯救了。
但是，如果您需要额外检查，有两种方法可以执行此操作。 一种是使用自定义的org.apache.tika.parser.Parser文件，该文件仅列出您要使用的格式的解析器。 这是用于决定哪些解析器可用于AutoDetectParser的配置文件，因此，例如，如果您从该列表中删除了MP3Parser ，则自动检测解析器将停止处理MP3。
另一种方法是拥有您希望支持的解析器的明确列表。 然后，不是使用自动检测解析器，而是简单地遍历所有这些解析器，直到找到能够处理该文件的那个，并直接调用该解析方法。 这将给你最大的控制，但可能稍微多一些工作。