如何配置Tika排除指定默认mime-type且无需使用自定义tika-mimetypes.xml

可以在不自定义tika-mimetypes.xml的前提下排除指定默认MIME类型，你当前配置未生效的核心原因是配置项使用错误。

无效配置说明 #

• org.apache.tika.detect.DefaultDetector本身不支持<mime-exclude>配置项，你添加在detector节点下的排除规则不会生效，属于冗余无效配置
• 如果你已经给message/rfc822指定了EmptyParser，本质上已经可以实现该类型文件不被解析的效果，你同时配置DefaultParser排除+指定EmptyParser的写法可能出现优先级冲突，建议统一逻辑

修正后可用配置 #

直接使用以下tika-config.xml即可实现需求：

<?xml version="1.0" encoding="UTF-8"?>
<properties>
    <parsers>
        <parser class="org.apache.tika.parser.DefaultParser">
            <mime-exclude>message/rfc822</mime-exclude>
        </parser>
        <parser class="org.apache.tika.parser.EmptyParser">
            <mime>message/rfc822</mime>
        </parser>
    </parsers>
</properties>

注意事项 #

• 确保配置文件命名为tika-config.xml，放在类路径根目录下，或者启动服务时通过参数-Dtika.config=路径/to/tika-config.xml显式指定加载路径
• 上述配置兼容Tika 1.x全版本，Tika 2.x版本需确认parser全限定类名没有变更，核心配置逻辑一致
• 只有当你需要让Tika完全识别不到该MIME类型时，才需要修改tika-mimetypes.xml，仅禁止解析该类型的场景下上述配置足够

内容的提问来源于stack exchange，提问作者Hynek Hrabík