Tika 0.6 发布-下载

By /

　　Tika官方站点发布了Tika 0.6下载地址，关注Tika项目的朋友可以直接从官方网站下载最新版的Tika 0.6使用了。Tika是一个用于从结构化文档中扫描，抽取内容的工具包，Tika采用Java语言编写，底层使用的类库也都是Java开源界赫赫有名的工具类库，例如POI,Lucene等。既然我们有了Lucene,有了POI，为什么还需要Tika呢？自己编写一个不就可以了？笔者觉得Tika本身就是apache Lucene项目下的一个子项目，因此其全文检索方面的功能来自于Lucene,其功力可见一斑。其次，Tika针对所有支持的格式提供了同一的操作界面和开发接口，让开发者可以用统一的方式对所有支持的文件格式进行操作，而不必单独为每种特殊的格式编写独立的代码。Tika封装了多种数据文件格式操作的细节，让开发者集中精力在开发外部业务逻辑上，而不是集中在如何处理文件内容的抽取和操作上。从以上两点来看，Tika带给开发和使用者的是效率和速度的提升，这在现在软件开发流程中，尤其是在敏捷软件开发过程中是十分有优势的。（笔者个人观点。。。）

Tika 0.6 支持的文件格式包括：

  1. Tika 0.6支持HTML格式的文件，Tika内部通过TagSoup支持HTML文件的解析和检索抽取
  2. Tika 0.6支持XML文件，Tika内置了一个XML解析器DcXMLParser ，以此解析XML文件
  3. Tika 0.6支持MS Document 格式(包括OOXML格式Office 2007采用的文件格式)，当然这依赖于大名鼎鼎的POI
  4. Tika 0.6支持OpenDocument文件格式，Tika内置了OpenDocument解析器
  5. Tika 0.6支持PDF格式的文档，tika底层采用apache PDFBox类库对PDF文档进行支持
  6. Tika 0.6支持EPUB格式的文档
  7. Tika 0.6支持RTF格式的文档
  8. Tika 0.6支持压缩文档，底层通过Commons Compress类库对压缩文件支持(bzip2, tar 和 zip 等)
  9. Tika 0.6支持TXT文件，底层通过ICU项目进行支持
  10. Tika 0.6支持一些通用的音频格式，甚至可以抽取出歌词和音频文件中的内容信息，tika底层使用标准的javax.sound类库，同时支持MP3文件格式。
  11. Tika 0.6支持图片格式，底层使用javax.imageio库操作图片，
  12. Tika 0.6支持视频格式文件，不过目前Tika 0.6之支持flash格式的文件抽取和检索
  13. Tika 0.6支持Java class文件的检索和jar文件的检索和抽取
  14. Tika 0.6支持mbox格式的文件

Tika 0.6 主要包括如下变更：

  1. Tika 0.6 升级到POI类库到3.6 版本，该版本可显著的减小 ooxml jar包的大小
  2. Tika 0.6增加对Excel单元格日期类型和数值类型的单元格格式的支持
  3. Tika 0.6改进对Excel文档中的计算公式支持
  4. Tika 0.6采用新的OSGi 模块来引入所有解析库
  5. Tika 0.6改进了对HTML文档的编码处理，支持HTML文档中的元素编码定义
  6. Tika 0.6改进了对 HTML 的 Mime-type 检测
  7. Tika 0.6默认使用 UTF-8 输出信息
  8. Tika 0.6增加对 Flash 视频 (video/x-flv) 的解析器

Tika 0.6下载地址：
Tika 0.6下载

摘自：开源中国社区
[ad#468-60]

Scroll to Top