apache tika检测文件是否损坏

apache tika用于文件类型检测和从各种格式的文件内容提取的库。

将上传文件至服务器，进行解析文件时，经常需要判断文件是否损坏。我们可以使用tika来检测文件是否损坏

• maven引入如下：

<dependency>
    <groupid>org.apache.tika</groupid>
    <artifactid>tika-app</artifactid>
    <version>1.18</version>
</dependency>
<dependency>
    <groupid>xerces</groupid>
    <artifactid>xercesimpl</artifactid>
    <version>2.11.0</version>
</dependency>

　　如果jar包冲突时可以引入如下：

<dependency>
    <groupid>org.apache.tika</groupid>
    <artifactid>tika-core</artifactid>
    <version>1.18</version>
</dependency>
<dependency>
    <groupid>org.apache.tika</groupid>
    <artifactid>tika-parsers</artifactid>
    <version>1.18</version>
</dependency>
<dependency>
    <groupid>xerces</groupid>
    <artifactid>xercesimpl</artifactid>
    <version>2.11.0</version>
</dependency>

• 使用tika检测文件是否损坏：　

　　如果从输入流读取失败，则parse方法抛出ioexception异常，从流中获取的文档不能被解析抛tikaexception异常，处理器不能处理事件则抛saxexception异常

　　当文档不能被解析时，说明文档损坏

• 执行过程：

public static void main(string[] args) {
        try {
            //assume sample.txt is in your current directory
            file file = new file("d:\\测试.txt");
            boolean result = isparsefile(file);
        } catch (exception e) {
            e.printstacktrace();
        }
    }

    /**
     * 验证文件是否损坏
     *
     * @param file 文件
     * @return true/false
     * @throws exception
     */
    private static boolean isparsefile(file file) throws exception {
        try {
            tika tika = new tika();
            string filecontent = tika.parsetostring(file);
            system.out.println(filecontent);
            return true;
        } catch (tikaexception e) {
            return false;
        }
    }

　　输出结果：

测试数据---读取文本内容