Java ApacheTika：解析文本文件会忽略最后一部分吗？

我试图用Tika解析一个纯文本文件，但不一致 行为

更具体地说，我定义了一个简单的处理程序，如下所示：

public class MyHandler extends DefaultHandler
{
     @Override
     public void characters(char ch[], int start, int length) throws SAXException
     {
        System.out.println(new String(ch));
     }
}

Tika tika = new Tika();
InputStream is = new FileInputStream("myfile.txt");

Metadata metadata = new Metadata();
ContentHandler handler = new MyHandler();

Parser parser = new TXTParser();
ParseContext context = new ParseContext();

String mimeType = tika.detect(is);
metadata.set(HttpHeaders.CONTENT_TYPE, mimeType);

tikaParser.parse(is, handler, metadata, context);

然后，我将文件（“myfile.txt”）解析如下：

public class MyHandler extends DefaultHandler
{
     @Override
     public void characters(char ch[], int start, int length) throws SAXException
     {
        System.out.println(new String(ch));
     }
}

Tika tika = new Tika();
InputStream is = new FileInputStream("myfile.txt");

Metadata metadata = new Metadata();
ContentHandler handler = new MyHandler();

Parser parser = new TXTParser();
ParseContext context = new ParseContext();

String mimeType = tika.detect(is);
metadata.set(HttpHeaders.CONTENT_TYPE, mimeType);

tikaParser.parse(is, handler, metadata, context);

我希望文件中的所有文本都能在屏幕上打印出来，但是 小部分到底不是。更具体地说，是characters（）回调函数 每次回调都会读取4096个字符，但最后显然 省略此特定文件的最后5083个字符（仅几个字符） MB长），因此它甚至超出了错过最后一次回调的范围

另外，在另一个大约5000个字符长的小文件上进行测试， 似乎没有发生回调

在这两种情况下，MIME类型都被正确检测为text/plain

有什么想法吗

---

谢谢

您使用的是什么版本的Tika？查看源代码，它读取的是

4096

字节块，可以在的

129

行中看到。在第

132行

调用

字符（…）

例程

简而言之，目标代码是：

   char[] buffer = new char[4096];
   int n = reader.read(buffer);
   while (n != -1) {
       xhtml.characters(buffer, 0, n);
       n = reader.read(buffer);
   }

---

其中

读取器

是

缓冲读取器

。我看不到此代码中存在任何缺陷，因此我认为您可能正在使用较旧的版本？

您是否能够编写一个小的JUnit单元测试来显示问题？Tika中有几个用于文本解析的单元测试，它们都是解析的，所以很明显，您的案例需要另一个单元测试！我也看不出上述代码有任何缺陷，但问题仍然存在。很奇怪！