Apache Tika

Apache Tika — набір бібліотек на мові Java для виявлення, аналізу, виділення мета-даних і структурованого контенту з різноманітних форматів файлів. Всього підтримується більше 1200 форматів, включаючи HTML, XML, DOC, OLE2, OOXML, RTF, ePub, OpenDocument, PDF, різні формати зображень, мультимедіа, архівів і пакунків програм.

Apache Tika
Тип набір бібліотек
Розробник Apache Software Foundation
Перший випуск 2011
Стабільний випуск 1.7 (15 січня 2015 (2015-01-15))
Репозиторій https://gitbox.apache.org/repos/asf?p=tika.git, https://gitbox.apache.org/repos/asf/tika.git
Платформа JVM
Мова програмування Java[1][2]
Доступні мови Java
Ліцензія Apache License
Вебсайт tika.apache.org

Спочатку Apache Tika був розроблений як частина пошукового рушія Apache Lucene, але пізніше переріс в самостійний проєкт.

Крім бібліотек, підготовлені консольна утиліта і GUI-застосунок для зручного вилучення даних з різних файлів. Крім мови Java, в рамках проєкту підготовлені обгортки для мов Python, .NET та C++.

Застосування

Технології Tika використані у фреймворку для побудови пошукових систем Nutch.

Apache Tika був використаний, зокрема, Міжнародним консорціумом журналістів-розслідувачів для дослідження інформації у так званих «панамських документах»[3].

Примітки
  1. The tika Open Source Project on Open Hub: Languages Page — 2006.
  2. https://projects.apache.org/json/projects/tika.json
  3. Mar Cabra, Erin Kissane (11 квітня 2016). The People and Tech Behind the Panama Papers. opennews.org. An OpenNews project. Процитовано 18 квітня 2016.

Посилання


This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.