内容抽取工具集合 Apache Tika 1.0 正式版发布

     <div id="p_fullcontent" class="detail">     <p><img title="内容抽取工具集合 Apache Tika" border="0" alt="内容抽取工具集合 Apache Tika" src="https://simg.open-open.com/show/6baef096c794830f9ca4ab1d27cecb41.png" width="340" height="60" /></p>     <p>Tika是一个内容抽取的工具集合(a toolkit for text extracting)。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。<br /> <br /> Tika提供了对如下文件格式的支持:</p>     <ul>      <li>PDF - 通过Pdfbox </li>      <li>MS-* - 通过POI </li>      <li>HTML - 使用nekohtml将不规范的html整理成为xhtml </li>      <li>OpenOffice 格式 - Tika提供 </li>      <li>Archive - zip, tar, gzip, bzip等 </li>      <li>RTF - Tika提供 </li>      <li>Java class - Class解析由ASM完成 </li>      <li>Image - 只支持图像的元数据抽取 </li>      <li>XML </li>     </ul>     <p>Tika的API十分便捷，核心是Parser interface，其中定义了一个parse方法：<br /> <code>public void parse(InputStream stream, ContentHandler handler, Metadata metadata)</code><br /> 用stream参数传递需要解析的文件流， 文本内容会被传入handler，而元数据会更新至metadata。<br /> <br /> 可以使用Tika的ParserUtils工具来根据文件的<code>mime-type</code>来得到一个适当的Parser来进行解析工作。或者Tika还提供了一个AutoDetectParser根据不同的二进制文件的特殊格式 (比如说Magic Code)，来寻找适合的Parser。<br /> <br /> Apache Tika 1.0 正式版发布了，该版本包含大量的改进和bug修复，详情请看 <a href="/misc/goto?guid=4958198319425557118" target="_blank">CHANGES</a></p>    </div>