在創(chuàng)建自定義 EmbeddedDocumentExtractor 類時，我需要解析文件中的嵌入文檔并對有限數(shù)量的嵌入文檔（比如 10 個）執(zhí)行一些操作。如果我處理一個包含 1000 個嵌入的文件，每個嵌入都會被處理，這絕對是浪費(fèi)時間。有沒有辦法限制只解析前幾個嵌入文件？public void parseEmbedded(InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml) throws SAXException, IOException { if(fileCount >= COUNT_LIMIT){ //skip file } else{ //perform op }}通過這種方法，比較文件計數(shù)（已處理的嵌入文件的數(shù)量）和 COUNT_LIMIT 實(shí)際上需要時間，而不是使進(jìn)程停止。
2 回答
繁花不似錦
TA貢獻(xiàn)1851條經(jīng)驗(yàn) 獲得超4個贊
在 OP 提出問題后更新：
EmbeddedDocumentExtractor我知道您在開始提問時已經(jīng)在制作一個實(shí)現(xiàn) tika's 的自定義類：
“關(guān)于創(chuàng)建自定義 EmbeddedDocumentExtractor 類，”
所以看看 tika github 我看到這EmbeddedDocumentExtractor是一個由名為 的類實(shí)現(xiàn)的接口ParsingEmbeddedDocumentExtractor，它有一個具體的方法parseEmbedded。我假設(shè)這是您要使用的方法，但限制為n。
我建議您創(chuàng)建一個自定義類來實(shí)現(xiàn)EmbeddedDocumentExtractor并繼承自ParsingEmbeddedDocumentExtractor. 在這個類中，您定義了一個名為 COUNT_LIMIT 的變量。然后重寫 parseEmbedded 方法來執(zhí)行以下操作：
分離 InputStream 中的文件
將這些分離的文件放在使用限制的for循環(huán)中
在每個文件上調(diào)用父方法。
所以它看起來像這樣：
class MyEmbeddedDocumentExtractor implements EmbeddedDocumentExtractor extends ParsingEmbeddedDocumentExtractor{
private static int COUNT_LIMIT = 10;
...
@Override parseEmbedded(
InputStream stream, ContentHandler handler, Metadata metadata, boolean outputHtml)
throws SAXException, IOException {
// separate the files in the InputStream
for(int i = 0; i < COUNT_LIMIT; i++){
super.parseEmbedded(streamOfOneFile, handler, metadata, outputHtml)
}
}
}
慕俠2389804
TA貢獻(xiàn)1719條經(jīng)驗(yàn) 獲得超6個贊
根據(jù)您的需要，也許可以嘗試 RecursiveParserWrapper；您可以在 RecursiveParserWrapperHandler 中設(shè)置最大嵌入深度。
添加回答
舉報
0/150
提交
取消