tika in action之1.1.1(文件格式的分类)

为了写完成上面所提到的搜索引擎，你必须理解不同的文件格式和自己要存储的文本和资料方法论。第一步要做的是能够识别和区分不同的文件类型。我们不多数人只是了解日常中一些常用文件类型的术语，例如，spreadsheet，webpage，但是这些属于不能够准确地用在计算机程序中。通常，在文件名后缀的结尾处的信息，例如，xls，html这些出现在mac系统和其他进程的文件信息，是用来识别文件的格式。不幸的是，这些进程经常用于打开系统或者安装应用程序，这就使得他们很难将其快捷地用纸网络环境中（例如因特网）。

MIME标准作为2045-2049的RFC文件于1996下半年出版。其中在此标准中关键的地方是用于区分不同类型数据名称，也就是媒体类型的这一概念，它可以程序能够用一种合适的方式来处理这些不同类型的数据。第5章关于RFC2045这个部分会强调出，媒体类型包含一系列type/subtype的识别有选择性的attribute=value参数。例如，默认的媒体类型是text/plain；charset=charset=us-ascii，这些内心标识了一个用US-ASCII编码的纯文本文档。RFC2046定义了一些列常用的媒体类型及其参数，并且由于没有一种统一的规格可以列出所有过去和将来出现的文件类型，RFC2048以及更新后的RFC4288指定了通过在IANA注册新的媒体类型的一个注册程序。在2010早期，官方的注册中囊括了超过上千个媒体内心，例如,我们所熟知的text/html，imag？jpeg以及application/msword，有1200多个为注册的媒体从过去一直在使用，例如image/x-icon和application/vnd.amazon.ebook。（organizedunder the eight toplevel types shown in figure 1.2. Thousands of unregisteredmedia types such as image/x-icon and application/vnd.amazon.ebookare also being used.）

 

由于存在几千种媒体格式已经被IANA以及其他机构归类和划分好了，程序只需要通过它们提供的软件应用来自动吸收这些知识（）。幸运的是，tika提供工具用于自动侦测出媒体的类型。在表1、1中展示出了Tika利用多种途径来自动侦测出媒体的类型。

         而我们在本书这里只是介绍了tika对于MIME侦测模式的概要信息。如果你想要了解更多的关于tika自动侦测媒体格式的信息，请跳转到第4章节。

         现在你是否已经熟悉了这些不同格式的区别，以及当你需要识别他们时，如何利用这些文件？在下一个章节，我们将会描述解析器的类库，以及利用它们常常从这些潜在的文件类型中提取出信息。这里有一些解析器的类库，当他们发生时，tika excels（与这里提到的tika无关，不是这里提到的tika双关）是从这些多种文件格式抽象出来的文件，它很容易运用在你的程序中。