Tika是什么?
Tika是一个内容抽取的工具集合。它集成了POI, Pdfbox 并且为文本抽取工作提供了一个统一的界面。其次,Tika也提供了便利的扩展API,用来丰富其对第三方文件格式的支持。
Apache Tika 可以自动检测各种文档(如word,ppt,xml,csv,ppt等)的类型并抽取文档的元数据和文本内容。Tika集成了现有的文档解析库,并提供统一的接口,使针对不同类型的文档进行解析变得更简单。
Tika的框架结构:
Tika支持的功能:
文件类型检测:使用不同的检测技术,检测给它的文件的类型。
语言检测:语言识别功能
内容提取:解析器库,可以分析各种文档格式的内容