內容抽取工具集合 Apache Tika 1.0 正式版發布

Tika是一個內容抽取的工具集合(a toolkit for text extracting)。它集成了POI, Pdfbox 并且為文本抽取工作提供了一個統一的界面。其次，Tika也提供了便利的擴展API，用來豐富其對第三方文件格式的支持。

Tika提供了對如下文件格式的支持:

• PDF - 通過Pdfbox
• MS-* - 通過POI
• HTML - 使用nekohtml將不規范的html整理成為xhtml
• OpenOffice 格式 - Tika提供
• Archive - zip, tar, gzip, bzip等
• RTF - Tika提供
• Java class - Class解析由ASM完成
• Image - 只支持圖像的元數據抽取
• XML

Tika的API十分便捷，核心是Parser interface，其中定義了一個parse方法：
public void parse(InputStream stream, ContentHandler handler, Metadata metadata)
用stream參數傳遞需要解析的文件流， 文本內容會被傳入handler，而元數據會更新至metadata。

可以使用Tika的ParserUtils工具來根據文件的mime-type來得到一個適當的Parser來進行解析工作。或者Tika還提供了一個AutoDetectParser根據不同的二進制文件的特殊格式 (比如說Magic Code)，來尋找適合的Parser。

Apache Tika 1.0 正式版發布了，該版本包含大量的改進和bug修復，詳情請看 CHANGES