【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