使用内容类型标头从eml文件中提取附件名称

Question

我正在使用Tika-server解析一堆eml文件。在使用/rmeta端点时，提取eml和附件的内容和元数据很好。

正确的附件文件名出现问题。当原始eml文件中的附件部分具有以下结构时：

Content-Type: application/pdf; name="filename_a.pdf"
Content-Transfer-Encoding: base64
Content-Disposition: attachment; filename="filename_a.pdf"

所有操作都很好:元数据对象中提取的文件名路径(在api响应中)是：

"X-TIKA:embedded_resource_path": "/filename_a.pdf"

然而，我的一些电子邮件有格式错误的标题结构(在内容处理中缺少文件名)，即：

Content-Type: application/pdf; name="filename_a.pdf"
Content-Transfer-Encoding: base64
Content-Disposition: attachment;

然后，在解析完整个eml之后，我得到：

"X-TIKA:embedded_resource_path": "/embedded-1"

我在Tika的源代码中检查了文件名meta是在\org\apache\tika\parser\RecursiveParserWrapper.class中定义的：

 private String getResourceName(Metadata metadata, RecursiveParserWrapper.ParserState state) {
        String objectName = "";
        if (metadata.get("resourceName") != null) {
            objectName = metadata.get("resourceName");
        } else if (metadata.get("embeddedRelationshipId") != null) {
            objectName = metadata.get("embeddedRelationshipId");
        } else {
            objectName = "embedded-" + ++state.unknownCount;
        }

        objectName = FilenameUtils.getName(objectName);
        return objectName;
    }

我试图通过检查元数据对象中的Content键来访问提到的文件名属性，但它并不存在。(我假设Tika评估内容类型键，而不仅仅是通过查找适当的标题，因此不需要文件名)

因此，我的问题(因为我无法弄清楚)是否有一种方法来修改Tika源代码，在内容处理标题中缺少适当的文件名属性时，强制从内容类型标头中提取文件名？

Answer 1

好吧，所以我自己解决了。解决办法是简单明了的。

必须扩展\org\apache\tika\parser\mail\MailContentHandler.class.中的一个条件在第129行我们有：

if (contentDispositionFileName != null) {
   submd.set("resourceName", contentDispositionFileName);
}

通过使用其他块进行扩展：

if (contentDispositionFileName != null) {
   submd.set("resourceName", contentDispositionFileName);
} else {
    Map<String, String> contentTypeParameters = ((MaximalBodyDescriptor)body).getContentTypeParameters();
    String contentTypeFilename = (String)contentTypeParameters.get("name");
    submd.set("resourceName", contentTypeFilename);
}

我们强制处理程序在内容类型参数中查找附加的文件名属性。