Apache Tika

Apache Tika został opracowany jako zestaw narzędzi niskiego poziomu poszukiwania zawartość wewnątrz innych plików.
Tika nie wiele zrobić na własną rękę jest prosta biblioteka, ale może być zintegrowana w bardziej zaawansowanych narzędzi, takich jak wyszukiwarki, cyfrowych systemów zarządzania aktywami lub systemów redakcyjnych, aby zapewnić w pełni funkcjonalny system wyszukiwania-file.
Biblioteka może uzyskać dostęp tylko plik nagłówka dla szybkiego ogólnej informacji o pliku, czy może pójść naprawdę głęboko i szukać nawet w ciele pliku, dla różnych typów danych, w formacie tekstowym lub binarnym.
Szeroka gama typów plików są obsługiwane i Tika mogą być również wykorzystywane w innych językach programowania, dzięki serii opraw zewnętrznych i opakowania.

Co nowego w tym wydaniu :

• To wydanie zawiera poprawki błędów i nowych funkcji, w tym nowy Tesseract OCR Parser; nowy parser GDAL; więcej obsługiwanych formatów oraz ogólną poprawę stabilności Tika.

Co nowego w wersji 1.8:

• To wydanie zawiera poprawki błędów i nowych funkcji, w tym nowy Tesseract OCR Parser; nowy parser GDAL; więcej obsługiwanych formatów oraz ogólną poprawę stabilności Tika.

Co nowego w wersji 1.7:

• To wydanie zawiera poprawki błędów i nowych funkcji, w tym nowy Tesseract OCR Parser; nowy parser GDAL; więcej obsługiwanych formatów oraz ogólną poprawę stabilności Tika.

Co nowego w wersji 1.6:

• To wydanie zawiera poprawki błędów i nowe funkcje, w tym nowe tłumaczenie API, więcej obsługiwanych formatów oraz ogólna poprawa stabilności Tika.

Co nowego w wersji 1.5.

• Naprawiono błąd w obsłudze wbudowanego przetwarzania plików w formacie PDF
• Dodane SourceCodeParser wspierać java, pliki, Groovy, C ++.
• Aktualizacja Tika Server do obsługi ładunków wieloczęściowy / form-data.
• Aktualizacja Tika Server CXF 2.7.8.
• Aktualizacja Tika serwera do przyjmowania żądań ponad adresów wieloznacznych.
• możliwość dodania do wykorzystania alternatywnego NonSequentialPDFParser.
• Treść od AcroForms PDF jest teraz ekstrakcji.
• Poprawiono nieprawidłowe gwiazdki od wzorca slajdów w PPT.
• przypadki testowe w celu potwierdzenia Dodano obsługę automatycznego daty PPT i PPTX w.

Co nowego w wersji 1.4:

• Usunięty plik testowy HTML ze źle wybranego tekstu GPL w nie.
• Poprawki do Tika-serwer, aby umożliwić jej produkcji text / html i zawartości tekstu / XML.
• Poprawki zostały wprowadzone do kompresorów Parser do obsługi plików g'zipped wymagających opcję decompressConcatenated ustawiony na true.
• Rozwiązano błąd drukarski, który zapobiega przed wykryciem plików awk.

Co nowego w wersji 1.2:

• Apache Tika 1.2 zawiera szereg ulepszeń i poprawek błędów.

Co nowego w wersji 1.0:

• Apache Tika 1.0 zawiera szereg ulepszeń i poprawek błędów.

Co nowego w wersji 0.9.

• To wydanie zawiera kilka ważnych poprawek i nowych funkcji

Co nowego w wersji 0.8:

• Identyfikacja Język jest obecnie dynamicznie konfigurować, zarządzać poprzez plik konfiguracyjny załadowane ze ścieżki klasy.
• Tika obsługuje parsowania Kanały owijając stanowiącego podstawę Rzym bibliotekę.
• przewodnik szybkiego startu dla Tika parsowania został wniesiony.
• Podejście do kanalizacji poprzez atrybuty XHTML został dodany.
• Typ nośnika hierarchia informacji jest obecnie brane pod uwagę przy wyborze najlepszej parser dla danego dokumentu wejściowego.
• Wsparcie dla parsowania popularne formaty naukowych danych, w tym netcdf i HDF4 / 5 został dodany.
• Testy jednostkowe dla systemu Windows zostały ustalone, pozwalając TestParsers wypełnić.

Co nowego w wersji 0.7:

• plik MP3 parsowanie poprawiła, w tym kanałów i SampleRate wydobycia i Wsparcie ID3v2. Ponadto, audio detekcja parsowanie mim był również poprawić w formacie MIDI.
• Tika nie opiera się już na X11 jego funkcjonalność RTF analizowania.
• wątku bezpieczny błąd w AutoDetectParser została odkryta i skierowana.
• Aktualizacja do PDFBox 1.0.0. Nowa wersja PDFBox poprawia wydajność parsowania PDF i rozwiązuje szereg problemów ekstrakcji tekstu.

Wymagania :

• Java 6 lub nowszy,