Apache Tika

的Apache提卡是一個開源工具包旨在檢測並提取元數據，以及結構化的文本內容來自幾個文件，只用現有的解析器庫。
阿帕奇蒂卡支持以下文件格式：超文本標記語言（HTTP），XML和派生格式，微軟Office文檔格式，開放文檔格式（ODF），可移植文檔格式（PDF），電子出版物格式（EPF），​​富文本格式（RTF ），壓縮和封裝格式，文本/音頻/圖片/視頻格式的mbox格式，和Java類文件和檔案。
此前，阿帕奇提卡是在Apache Lucene的軟件庫的一個子項目。現在，它是分佈式作為一個獨立的包由Apache軟件基金會

什麼在此版本中是新的：

• 在刪除一個測試HTML文件，它（TIKA-1129）一個選擇不當的GPL文本。
• 在改進提卡服務器允許它生產的text / html和文本/ xml內容（TIKA-1126，TIKA-1127）。
• 在改進了對壓縮機解析器作出處理需要的decompressConcatenated選項設置為true（TIKA-1096）g'zipped文件。
• 在尋址一個從檢測的awk文件（TIKA-1081）。
防止印刷錯誤
• 在增加了一個新的端點，以Tika的JAX-RS REST服務器只檢測媒體類型的基礎上提交（TIKA-1047號）文件的一小部分。
• RTF：有序和無序列表現在提取（TIKA-1062）
• 在MP3：音頻持續時間現在提取（TIKA-991）
• 在Java的.class文件：升級從ASM 3.1至4.1 ASM解析了Java字節碼（TIKA-1053）
• 在Mime類型：定義擴大到包括可選鏈接（URL）以及UTI，以及細節幾種常見的格式（TIKA-1012 / TIKA-1083）
• 在解析時，OLE10嵌入文檔，從Office文檔解析摘要信息的時候，並保存在TikaCLI嵌入式documennts時例外現在登錄而不是放棄提取（TIKA-1074）
• 在MS Word中：行表格的性格，現在換成換行符（TIKA-1128）
• 在XML：ElementMetadataHandlers現在可以選擇接受重複和空值（TIKA-1133）
。

要求：

• 在Java 2標準版運行環境