Tika教學

Apache Tika 是什麼?

• Apache Tika用於檔類型檢測和從各種格式的檔內容提取的庫。

• 在內部，Tika使用現有的各種檔解析器和文檔類型的檢測技術來檢測和提取數據。

• 使用Tika，人們可以開發出通用型檢測器和內容提取到的不同類型的檔，如電子錶格，文本檔，圖像，PDF檔甚至多媒體輸入格式，在一定程度上提取結構化文本以及元數據。

• Tika提供用於解析不同檔格式的一個通用API。它採用83個現有的專業解析器庫，為每個文檔類型。

• 所有這些解析器庫是根據一個叫做Parser介面單一介面封裝。

為什麼用Tika?

據filext.com網站統計，大約有1.5萬至51K的內容類型，並且這個數字還在與日俱增。數據被存儲在不同的格式，如文本文檔，excel表格，PDF，圖像和多媒體檔，僅舉幾例。因此，應用程式如搜索引擎和內容管理系統需要從這些文檔類型容易提取數據的額外的支持。Apache Tika 通過提供一個通用的API來檢測並提取多種檔格式的數據服務達到這一目的。

Apache Tika 應用

有各種各樣的應用程式使用Apache Tika。在這裏，我們將討論嚴重依賴Apache Tika幾個突出的應用。

搜索引擎

開發搜索引擎索引的數字文檔的文本內容使Tika被廣泛使用。

• 搜索引擎是用於搜索的網頁資訊和索引檔的資訊處理系統。

• 抓取工具是通過Web抓取獲取使用一些索引技術被索引的檔搜索引擎的重要組成部分。此後，抓取工具傳送這些索引檔提取成分。

• 提取成分的職責是提取文檔中的文本和元數據。這樣提取的內容和元數據是對搜索引擎非常有用。該提取組件包含在Tika中。

• 然後將提取的內容被傳遞到使用它來建立一個搜索索引搜索引擎的索引器。此外，該搜索引擎使用許多其他方式提取的內容也是如此。

文檔分析

• 在人工智慧領域，有一定的工具來自動分析檔在語義層面，並提取各種數據來自他們。

• 在這種應用中，這些檔是基於在文檔的所提取的內容的突出方面進行分類。

• 這些工具使用提Tika內容提取分析從純文本到不同的數字文檔檔。

數字資產管理

• 有些組織管理他們的數字資產，如使用一種稱為數字資產管理（DAM）的特殊應用程式的照片，電子書，繪圖，音樂和視頻。

• 這樣的應用程式採取的檔類型檢測器和元數據提取器的幫助下到的各種檔進行分類。

內容分析

• 像亞馬遜網站建議根據自己的興趣剛剛發佈了他們的網站內容向個人用戶。要做到這一點，這些網站遵循機器學習技術，或採取了類似Facebook的社交媒體網站的幫助下，以提取所需的資訊，如喜歡和用戶的利益。此收集到的資訊將在HTML標籤或其他格式需要另外的內容類型檢測和提取的形式。

• 為一個檔，內容分析，我們有實現，如UIMA和Mahout的機器學習技術的技術。這些技術是在聚類和分析中的檔中的數據是有用的。

• Apache Mahout是一個框架，它提供基於Apache Hadoop的ML演算法- 一個雲計算平臺。 Mahout 提供了下麵的某個集群和過濾技術的架構。按照這個架構，程式員可以編寫自己的ML演算法，通過採取各種文本和元數據的組合來產生建議。提供輸入這些演算法，最近Mahout的版本使用Tika提取二進位內容的文本和元數據。

• Apache UIMA 分析和處理各種編程語言，並產生UIMA注解。在內部，它使用提卡注解者抽取文檔中的文本和元數據。

歷史