文档向量化工具（一）：Apache Tika介绍

本文介绍: Ap a ch e Tik a是一个内容分析工具包。该工具包可以从一千多种不同的文件类型（如PPT、XLS和PDF）中检测并提取元数据和文本。所有这些文件类型都可以通过同一个接口进行解析，这使得Ti k a在搜索引擎索引、内容分析、翻译等方面非常有用。

Ap a ch e Tik a是什么？能干什么？

该工具包可以从一千多种不同的文件类型（如PPT、XLS和PDF）中检测并提取元数据和文本。

所有这些文件类型都可以通过同一个接口进行解析，这使得Tika在搜索引擎索引、内容分析、翻译等方面非常有用。

Apache Tika release s are av ai lable unde r t he Apache License, Version 2.0

tika–core/target/tika–core-*.jar
Tika核心库。包含Tika的核心接口和类，但没有解析器实现。

tika–parser s/tika–parser s–standard/tika–parser s–standard–package/target/tika–parser s–standard–package-*.jar

Tika解析器。基于各种外部解析器库实现Tika Parser接口的类集合。这包括最常用的解析器。用户可能希望添加 tika–parser–sqlite3-package和tika-parser–scientifi c–package科学包或其他解析器模块。

tika–app/tar get/tika–app-*.jar

tika-server/tika-server–standard/tar get/tika-server–standard-*.jar

Tika JAX-RS REST应用程序。这是一个Jetty web 服务器，运行Tika REST服务。

tika-bundle s/tika-bundle-standard/tar get/tika-bundle-standard-*.jar

Tika捆绑包。一个OSGi捆绑包，它将tika解析器与非OSGified解析器库相结合，使它们易于在OSGi环境中部署。

tika-eval/tika-eval–app/tar get/tika-eval-app-*.jar

java -jar tika-app-2.9.1.jar —gui

直接拖拽一个文件进去

若文件较大，或内容复杂（包括图，表）等，处理过程会比较慢。

GUI会卡主，没关系，等一会就好了

原文地址:https://blog.csdn.net/hugo _lei/art icle/de tail s/134488150

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。

如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！

声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。