为什么Tika 2.1工具会忽略纯TXT文本文件中的部分文本内容？

Apache Tika默认开启文件类型自动检测机制，你提供的纯文本文件开头包含From:、Sent:等符合RFC822邮件格式的标准头字段，Tika会误将该纯文本文件识别为EML邮件格式文件。处理邮件格式文件时，Tika默认会剥离邮件头字段，仅输出邮件正文内容，因此开头的3行内容会被当作邮件头直接丢弃。

• 将Sent:改为小写sent:：RFC822邮件头标准字段为首字母大写格式，小写字段无法匹配邮件头规则，Tika不会判定为邮件格式，会按纯文本正常输出全部内容
• 将Sent:追加到第一行：只要文件开头范围内存在符合规则的连续邮件头字段，Tika就会将字段所在及之前的内容判定为邮件头，因此依然会忽略前3行
• 将Sent:修改为\Sent:：修改后无法匹配标准邮件头字段格式，不会触发邮件格式识别，内容正常输出
• 开头新增多行Sent:：所有符合邮件头规则的连续行都会被判定为邮件头部分，因此Sent:之前的内容都会被丢弃
• 把Sent:放在第一行或开头添加换行符：邮件头识别要求字段从文件起始位置连续排列，开头有空行或Sent:单独在第一行后无其他匹配头字段时，无法触发邮件格式的判定逻辑，因此内容正常输出

执行命令时强制指定使用纯文本解析器，无需修改原文件即可输出全部内容，命令如下：

java -jar tika-app-2.1.0.jar -t --parser=org.apache.tika.parser.txt.TXTParser test.txt

内容的提问来源于stack exchange，提问作者Michael