Apache Tika

的Apache提卡是一个开源工具包旨在检测并提取元数据，以及结构化的文本内容来自几个文件，只用现有的解析器库。
阿帕奇蒂卡支持以下文件格式：超文本标记语言（HTTP），XML和派生格式，微软Office文档格式，开放文档格式（ODF），可移植文档格式（PDF），电子出版物格式（EPF），​​富文本格式（RTF ），压缩和封装格式，文本/音频/图片/视频格式的mbox格式，和Java类文件和档案。
此前，阿帕奇提卡是在Apache Lucene的软件库的一个子项目。现在，它是分布式作为一个独立的包由Apache软件基金会

什么在此版本中是新的：

• 在删除一个测试HTML文件，它（TIKA-1129）一个选择不当的GPL文本。
• 在改进提卡服务器允许它生产的text / html和文本/ xml内容（TIKA-1126，TIKA-1127）。
• 在改进了对压缩机解析器作出处理需要的decompressConcatenated选项设置为true（TIKA-1096）g'zipped文件。
• 在寻址一个从检测的awk文件（TIKA-1081）。
防止印刷错误
• 在增加了一个新的端点，以Tika的JAX-RS REST服务器只检测媒体类型的基础上提交（TIKA-1047号）文件的一小部分。
• RTF：有序和无序列表现在提取（TIKA-1062）
• 在MP3：音频持续时间现在提取（TIKA-991）
• 在Java的.class文件：升级从ASM 3.1至4.1 ASM解析了Java字节码（TIKA-1053）
• 在Mime类型：定义扩大到包括可选链接（URL）以及UTI，以及细节几种常见的格式（TIKA-1012 / TIKA-1083）
• 在解析时，OLE10嵌入文档，从Office文档解析摘要信息的时候，并保存在TikaCLI嵌入式documennts时例外现在登录而不是放弃提取（TIKA-1074）
• 在MS Word中：行表格的性格，现在换成换行符（TIKA-1128）
• 在XML：ElementMetadataHandlers现在可以选择接受重复和空值（TIKA-1133）
。

要求：

• 在Java 2标准版运行环境