限制在 Tika 中解析的嵌入式文件的数量

Question

在创建自定义 EmbeddedDocumentExtractor 类时，我需要解析文件中的嵌入文档并对有限数量的嵌入文档（比如 10 个）执行一些操作。

如果我处理一个包含 1000 个嵌入的文件，每个嵌入都会被处理，这绝对是浪费时间。有没有办法限制只解析前几个嵌入文件？

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

          if(fileCount >= COUNT_LIMIT){

              //skip file

          }

          else{

             //perform op

          }

}

通过这种方法，比较文件计数（已处理的嵌入文件的数量）和 COUNT_LIMIT 实际上需要时间，而不是使进程停止。

Answer 1

在 OP 提出问题后更新：EmbeddedDocumentExtractor我知道您在开始提问时已经在制作一个实现 tika's 的自定义类：“关于创建自定义 EmbeddedDocumentExtractor 类，”所以看看 tika github 我看到这EmbeddedDocumentExtractor是一个由名为 的类实现的接口ParsingEmbeddedDocumentExtractor，它有一个具体的方法parseEmbedded。我假设这是您要使用的方法，但限制为n。我建议您创建一个自定义类来实现EmbeddedDocumentExtractor并继承自ParsingEmbeddedDocumentExtractor.&nbsp;在这个类中，您定义了一个名为 COUNT_LIMIT 的变量。然后重写 parseEmbedded 方法来执行以下操作：分离 InputStream 中的文件将这些分离的文件放在使用限制的for循环中在每个文件上调用父方法。所以它看起来像这样：class MyEmbeddedDocumentExtractor implements EmbeddedDocumentExtractor extends ParsingEmbeddedDocumentExtractor{private static int COUNT_LIMIT = 10;...@Override parseEmbedded(&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml)&nbsp; &nbsp; &nbsp; &nbsp; &nbsp; &nbsp; throws SAXException, IOException {&nbsp;// separate the files in the InputStreamfor(int i = 0; i < COUNT_LIMIT; i++){&nbsp; &nbsp; &nbsp; &nbsp; super.parseEmbedded(streamOfOneFile, handler, metadata, outputHtml)&nbsp; &nbsp; }}}

Answer 2

根据您的需要，也许可以尝试 RecursiveParserWrapper；您可以在 RecursiveParserWrapperHandler 中设置最大嵌入深度。