如何让Apache Tika正确识别自定义MIME类型application/x-xces+xml

问题分析 #

你的自定义MIME配置未生效，核心原因有两点：

1. Magic匹配规则的偏移设置不合理：XML文件通常以<?xml ...?>声明开头，你设置offset="0"会直接匹配文件首字符，但实际<cesDoc>节点在XML声明之后，导致匹配失败。
2. 默认XML类型的优先级拦截：Apache Tika对application/xml的识别优先级较高，可能在你的自定义规则触发前就完成了类型判定。

修正后的MIME配置 #

调整自定义MIME类型配置，优化匹配规则并提升优先级：

<mime-type type="application/x-xces+xml">
    <sub-class-of type="application/xml"/>
    <!-- 提升优先级，覆盖默认XML识别规则 -->
    <magic priority="100">
        <!-- 匹配文件开头的<cesDoc>（无XML声明的情况） -->
        <match value="&lt;cesDoc" type="string" offset="0"/>
        <!-- 匹配XML声明后的<cesDoc>，覆盖常见的声明长度范围 -->
        <match value="&lt;cesDoc" type="string" offset="10" range="30"/>
    </magic>
    <!-- 明确匹配无命名空间的根节点cesDoc -->
    <root-XML localName="cesDoc" namespaceURI=""/>
    <!-- 保留对.xml扩展名的匹配 -->
    <glob pattern="*.xml"/>
</mime-type>

额外配置与验证步骤 #

• 确保配置加载顺序：将自定义MIME配置文件（如xces-mime.xml）放在Tika的config目录下，或通过系统属性org.apache.tika.config.TikaConfig指定加载路径，确保它在默认MIME配置之后加载以覆盖规则。
• 代码中加载自定义配置：在业务代码里显式加载你的配置，示例如下：

  TikaConfig config = new TikaConfig(new File("path/to/your/xces-mime.xml"));
  Tika tika = new Tika(config);
  String detectedType = tika.detect(new File("target-file.xml"));
  

• 验证匹配逻辑：可以先移除XML声明测试无声明的文件是否能正确识别，再测试带XML声明的文件，确认两种场景都能触发自定义类型。

内容的提问来源于stack exchange，提问作者unicorn