君子博学而日参省乎己 则知明而行无过矣

摘要： 实例化类Instantiator的功能主要是提供操作连接器实例的一些接口，基本上servlet对外提供的接口最终都会调用实例化类的相关方法先浏览一下Instantiator接口的源码/** * Interface for instantiator component. */public interf... 阅读全文

摘要： 由于一直忙于公司产品的开发工作，企业搜索引擎的连接器分析及constellio源码分析因此长时间没有更新，本次继续这项未竟事业连接器管理都是通过servlet对外提供通信接口，由此从连接器管理提供的servlet着手，寻求分析连接器的入口该系统提供的servlet的uml模型图如下这些servlet... 阅读全文

摘要： 本文主要分析tika的语言检测以及tika解决随机访问读取的问题，由于语言检测功能的实现设计一些算法，我这里就不贴出tika的源码了tika的语言检测的相关接口和类的uml模型图如下如果要获取文档内容和语言，我们可以新增DelegatingParser解析类，继承自DelegatingParser，... 阅读全文

摘要： tika怎样加载Parser实现类的，怎样根据文档的mime类型调用相应的Parser实现类,本文接着分析先熟悉一下tika的解析类的相关接口和类的UML模型：Parser接口的源码如下：/** * Tika parser interface. */public interface Parser e... 阅读全文

摘要： 上文还没有来得及分析Apache Tika是怎样检测文档的mime类型的，以及怎样根据mime类型找到相应的Parser解析类的，下面接着说在tika-parsers.jar路径文件META-INF/services/org.apache.tika.detect.Detector记录了tika提供的... 阅读全文

摘要： Apache Tika是怎么识别待解析文档的mime类型的，是怎么根据mime类型得到相应的解析类Parser的，如果我们添加自定义mime类型以及相应的解析类，又该怎么处理呢？前面的文章还没有具体解决这些关键问题在tika-core的jar路径org.apache.tika.mime下有一tika... 阅读全文

摘要： 上文分析了具体的解析类HtmlParser对网页文档的解析实现源码，了解到了Apache Tika的编码识别的处理方式。（HtmlParser对网页文件的解析其实并没有用到ParseContext上下文类的SAXParser对象，而是用到了另外一个TagSoup组件）本文继续分析Tika对xml格式... 阅读全文

摘要： 上文我们基本知道Tika是通过SAXParser来解析XHTML文档的，下面我通过一个具体的解析类HtmlParser入手，来看看网页文件的解析过程。首先看看HtmlParser类的继承层次，HtmlParser继承自抽象类AbstractParser，而AbstractParser实现了Parse... 阅读全文

摘要： 上文分析了Apache Tika的编码识别相关接口和实现类本文接着分析Apache Tika用到的一个关键类ParseContext，这里要明白Tika解析文档的方式，Tika将文件都解析为XHTML格式的文档，然后采用SAX基于事件的方式来解析这个XHTML格式，先来看看ParseContext类... 阅读全文

摘要： 因为采用Apache Tika解析网页文件时产生乱码问题，所以后来仔细看了一下Apache Tika源码先浏览一下tika编码识别的相关接口和类的UML模型下面是编码识别接口，EncodingDetector.javapublic interface EncodingDetector { /*... 阅读全文