java我可以在Google App Engine上使用Tika进行内容提取吗？

Question

我正在开发一个web服务，它需要从上传的文档（PDF、PowerPoint、Word等）中提取内容，我想在Google App Engine上运行这个服务，以降低成本。除了运行GoogleComputeVM来运行Solr/Tika作为服务器之外，我还有什么选择？我可以使用AppEngine的Java托管来包装Tika并返回内容吗

应用程序流程如下所示：

1. 用户上传文档。工作任务被放入队列中
2. 工作任务被消耗，触发将文件名发送到Solr以提取Tika。这个过程可以假设是一个Java应用程序读取文件内容并将其发送到Tika
3. 内容存储在全文搜索引擎和数据库中

使用任务队列执行Tika命令行应用程序似乎是不可能的

Answer 1

简短回答：

不，它的许多功能都不是现成的

太多的代码依赖于File对象并创建GAE中不存在的临时File对象

长答案：

它是开源的，您可以对代码进行黑客攻击，将调用获取File对象的方法的内容改为获取InputStream对象，然后您可以处理存在于Blobstore或GCS中的内容

下面是我正在破解的一个例子：

@NotNull
public static Metadata readMetadata(@NotNull File file) throws JpegProcessingException, IOException
{
    JpegSegmentReader segmentReader = new JpegSegmentReader(file);
    return extractMetadataFromJpegSegmentReader(segmentReader.getSegmentData());
}

这里有一个非常好的调用，它没有绑定到File对象：

@NotNull
public static Metadata readMetadata(@NotNull InputStream inputStream, final boolean waitForBytes) throws JpegProcessingException
{
    JpegSegmentReader segmentReader = new JpegSegmentReader(inputStream, waitForBytes);
    return extractMetadataFromJpegSegmentReader(segmentReader.getSegmentData());
}