【tika】tika介绍

tika是什么？

Apache Tika用于文件类型检测和从各种格式的文件内容提取的库。
在内部，Tika使用现有的各种文件解析器和文档类型的检测技术来检测和提取数据。
使用Tika，人们可以开发出通用型检测器和内容提取到的不同类型的文件，如电子表格，文本文件，图像，PDF文件甚至多媒体输入格式，在一定程度上提取结构化文本以及元数据。
Tika提供用于解析不同文件格式的一个通用API。它采用83个现有的专业解析器库，为每个文档类型。
所有这些解析器库是根据一个叫做Parser接口单一接口封装。

为什么使用tika?

据filext.com网站统计，大约有1.5万至51K的内容类型，并且这个数字还在与日俱增。数据被存储在不同的格式，如文本文档，excel表格，PDF，图像和多媒体文件，仅举几例。因此，应用程序如搜索引擎和内容管理系统需要从这些文档类型容易提取数据的额外的支持。Apache Tika 通过提供一个通用的API来检测并提取多种文件格式的数据服务达到这一目的。

Tika的功能

Tika支持多种功能：

文档类型检测
内容提取
元数据提取
语言检测

文件类型检测

Tika使用不同的检测技术，检测给它的文件的类型。

内容提取

Tika有一个解析器库，可以分析各种文档格式的内容，并提取它们。然后检测所述文档的类型，它从解析器库选择的适当的分析器，并传递该文档。不同类别的Tika方法来解析不同的文件格式。

元数据提取

随着内容，Tika提取具有相同的程序的文件的元数据中的内容的提取。对于某些文件类型，Tika有接口类提取元数据。

语言检测

在内部，Tika如下像一个n-gram算法来检测所述内容的语言的给定文档中。Tika取决于类，如语言识别和Profiler的语言识别。

转自: http://www.yiibai.com/tika/tika_architecture.html

【tika】tika介绍相关推荐

apache Tika介绍及使用
1.Tika应用层架构应用程序员可以很容易地在他们的应用程序集成Tika.Tika提供了一个命令行界面和图形用户界面,使它比较人性化. 在本章中,我们将讨论构成Tika架构的四个重要模块.下图显示了 ...
Apache Tika:通用的内容分析工具
项目介绍 Tika是一个内容分析工具,自带全面的parser工具类,能解析基本所有常见格式的文件,得到文件的metadata,content等内容,返回格式化信息.总的来说可以作为一个通用的解析工具. ...
Tika：一个强大的Java文档内容解析工具
Tika介绍 Apache Tika是基于java的内容检测和分析的工具包,可检测并提取来自上千种不同文件类型(如PPT,XLS和PDF)中的元数据和结构化文本. 它提供了命令行界面.GUI界面和一个 ...
Apache Tika入门
文章目录 1.基本介绍 2.Tika使用 2.1.解析器接口(The Parser interface) 2.1.1.自定义Parser类 2.2.检测器接口 2.3.Tika配置 1.基本介绍 Ap ...
Lucene+Tika 文件索引的创建与搜索
2019独角兽企业重金招聘Python工程师标准>>> 使用Lucene+Tika进行文件索引的创建与查询,在Windows环境下测试没问题,可以解析各种文件(Tika支持的),另外 ...
tika提取html,TIKA内容提取
Tika使用不同的解析器库来提取给解析器的内容.它选择了正确的语法分析器提取给定的文档类型. 解析文件,一般用于Tika外观facade类的parseToString()方法.下面显示的是所涉及分析过 ...
使用Tika进行文件类型校验
使用Tika进行文件类型校验文章目录使用Tika进行文件类型校验 Tika是什么如何使用Tika进行文件类型校验 Tika文件类型校验存在的问题问题发生的过程源码剖析代码优化使用时注意 ...
java中使用tika,Apache Tika使用报告
实验对象:Apache Tika 实验目的:通过尝试使用Apache Tika进行文件格式转换,加深对搜索引擎的理解和认识目录 Apache Tika简介配置Apache Tika运行环境用GU ...
使用Tika进行文档解析抽取
1.文本内容抽取文件搜索的第一要务是抽取文件内容,我们使用Apache Tika. Apache Tika是一个用户文件类型检测和文件内容提取的库,Apache顶级项目,可检索超过1000中类型的文 ...
java tika 读取文件_【apache tika】apache tika获取文件内容(与FileUtils的对比)
Tika支持多种功能: 文档类型检测内容提取元数据提取语言检测重要特点: 统一解析器接口:Tika封装在一个单一的解析器接口的第三方解析器库.由于这个特征,用户逸出从选择合适的解析器库的负担, ...