一、什么是Tika？

• Apache Tika用于文件類型檢測和從各種格式的文件內(nèi)容提取的庫。

• 在內(nèi)部，Tika使用現(xiàn)有的各種文件解析器和文檔類型的檢測技術(shù)來檢測和提取數(shù)據(jù)。

• 使用Tika，人們可以開發(fā)出通用型檢測器和內(nèi)容提取到的不同類型的文件，如電子表格，文本文件，圖像，PDF文件甚至多媒體輸入格式，在一定程度上提取結(jié)構(gòu)化文本以及元數(shù)據(jù)。

• Tika提供用于解析不同文件格式的一個(gè)通用API。它采用83個(gè)現(xiàn)有的專業(yè)解析器庫，為每個(gè)文檔類型。

• 所有這些解析器庫是根據(jù)一個(gè)叫做Parser接口單一接口封裝。

二、架構(gòu)

三、核心模塊

語言檢測機(jī)制

每當(dāng)一個(gè)文本文件被傳遞到Tika，它將檢測在其中的語言。它接受沒有語言的注釋文件和通過檢測該語言添加在該文件的元數(shù)據(jù)信息。支持語言識別，Tika 有一類叫做語言標(biāo)識符在包org.apache.tika.language及語言識別資料庫里面包含了語言檢測從給定文本的算法。Tika 內(nèi)部使用N-gram算法語言檢測。

MIME檢測機(jī)制

Tika可以根據(jù)MIME標(biāo)準(zhǔn)檢測文檔類型。Tika默認(rèn)MIME類型檢測是使用org.apache.tika.mime.mimeTypes。它使用org.apache.tika.detect.Detector 接口大部分內(nèi)容類型檢測。內(nèi)部Tika使用多種技術(shù)，如文件匹配替換，內(nèi)容類型提示，魔術(shù)字節(jié)，字符編碼，以及其他一些技術(shù)。

解析器接口

org.apache.tika.parser 解析器接口是Tika解析文檔的主要接口。該接口從提取文檔中的文本和元數(shù)據(jù)，并總結(jié)了其對外部用戶愿意寫解析器插件。采用不同的具體解析器類，具體為各個(gè)文檔類型，Tika 支持大量的文件格式。這些格式的具體類不同的文件格式提供支持，無論是通過直接實(shí)現(xiàn)邏輯分析器或使用外部解析器庫。

Tika Facade 類

使用的Tika facade類是從Java調(diào)用Tika的最簡單和直接的方式，而且也沿用了外觀的設(shè)計(jì)模式。可以在 Tika API的org.apache.tika包Tika 找到外觀facade類。通過實(shí)現(xiàn)基本用例，Tika作為facade的代理。它抽象了的Tika庫的底層復(fù)雜性，例如MIME檢測機(jī)制，解析器接口和語言檢測機(jī)制，并提供給用戶一個(gè)簡單的接口來使用。

四、案例

解析標(biāo)準(zhǔn)PDF【現(xiàn)場演示】

tika不能識別圖片里面的內(nèi)容，所以掃描版的pdf不能解析

OCR識別（利用外部程序：Tesseract-OCR）【現(xiàn)場演示】

需要有訓(xùn)練集

五、結(jié)論

官方文檔給出tika曾是lucene子項(xiàng)目，應(yīng)用場景是提出元數(shù)據(jù)和內(nèi)容作全文本檢索。

tika內(nèi)容解析是靠XHTML SAX events傳遞的，可以直接轉(zhuǎn)字符串或者xml結(jié)構(gòu)（只做結(jié)構(gòu)化用），之后可以用xpath expression提取數(shù)據(jù)，類似jsoup。但這做不到通用。

提取metadata是文件自身的信息，就和你右鍵文件屬性看到信息一樣，有就有，沒有就沒有，結(jié)構(gòu)化的文本就是整個(gè)文件的內(nèi)容

總結(jié)

以上是生活随笔為你收集整理的Tika 1.16架构及核心模块的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。