tika in action主体内容

chapter1
1.1数字文档协议
    Adode Photoshop：pdf,psd,jpg,gif,png....
    Microsoft Office:xls,doc,docx,xlsx,,vsd...
    Firefox,IE,Safari,etc:html,xthml,xml,rdf,rss...
1.1.1一种文件格式分类
    MIME(Multipurpose Internet Mail Extensions) 标准
    多用途互联网邮件扩展类型
1.1.2解析库
    文件格式多
    应用程序之间不允许别的程序很容易得到文本内容
    替换方法是实现或者使用一种文件格式解析库
    java标准库中的java.util.zip 解析库包
1.1.3作为通用的结构化文本
    应用要求
    XML Html最普遍的使用范围最广的文件格式
    程序关注的内容
1.1.4通用的元数据
    “data about data”：描述数据的数据，主要是描述数据的属性（property）的信息。
    元数据模型
    XMP标准（可扩展元数据平台）：用于处理和涉及到的文件的内容储存信息的标准。
    Property类：提供PropertyType和值类型枚举捕获的元数据的名称和值
    metadata类：提供元数据模型的支持，提供各种方法来提取一个文件的内容
    N-grams算法支持语言选择
1.1.5理解一切的程序？
    search engine
    文件>识别文件的格式>选择合适的解析器>提供解析后的原文的数据和解析后的元数据
    apache Lucene...

TILL(tag image file format)标签图像文件格式

1.2什么是apache tika
1.2.1一些历史
1.2.2关键设计目标
    tika全部的架构    
    new parsers can be easily added and removed from the framework
    统一的parser接口：
    低内存占用和快速处理：逐步解析文本，作为基于SAX的XHTML事件放置。将整个XML文档加载到内存中，然后通过API使其可用。另一方面，SAX增量解析标签，导致内存占用很低，允许快速处理时间，并由TIKA架构要求提供功能。（sax替代DOM：文档对象模型）
        采用SAX模型，tika允许开发人员自定义tika的解析器处理自定义将提取的信息    
      关于SAX模型：用于处理XML事件驱动。xml解析的替代方法，比dom提供更好的性能
    灵活元数据：？
    解析器集成：