张包峰的博客

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。特别对于搜索引擎的数据抓去和处理步骤有重要意义。Tika是一个目的明确，使用简单的apache的开源项目。下图是Tika诞生的一个历史过程。Tika项目之初来源于Nutch项目(大家

项目背景有两类和我们大学生息息相关的产品。一类是微博，人人，豆瓣这些偏SNS的社交平台，推荐同学朋友的信息，帮助我们找到可能认识的人，可能喜欢的书，可能爱看的电影等等。另一类是学术相关的搜索引擎，比如Google Scholar，Microsoft Academic Search Engine，通过搜索关键字，提供一些匹配度最高的学术论文，提供很多便利。然而，学术搜索引擎是一个比较通用