Apache Tika

Apacheのティカを検出およびパーサライブラリを何も使用していないが、既存の、いくつかの文書からメタデータだけでなく、構造化されたテキストの内容を抽出するために設計されたオープンソースのツールキットです。
ハイパーテキストマークアップ言語（HTTP）、XMLおよび派生フォーマット、Microsoft Officeの文書フォーマット、OpenDocumentのフォーマット（ODF）、ポータブルドキュメントフォーマット（PDF）、電子出版フォーマット（EPF）、リッチテキスト形式（RTF：アパッチティカは、以下のドキュメント形式をサポートしています）、圧縮およびパッケージの形式、テキスト/音声/画像/ビデオ形式、mbox形式、およびJavaクラスファイルとアーカイブ。
以前は、Apacheのティカは、Apache Luceneのソフトウェアライブラリのサブプロジェクトだった。今では、Apache Software Foundationがスタンドアロンパッケージとして配布されます。

の新機能の今回のリリースで：ます。

• を削除それに難選ばれたGPLのテキスト（TIKA-1129）を持つテストHTMLファイルます。

ティカ·サーバーに
• の改善は、それがtext / htmlとテキスト/ XMLコンテンツ（TIKA-1126、TIKA-1127）を生成できるようにします。
• の改善が真（TIKA-1096）に設定decompressConcatenatedオプションを必要とするg'zippedファイルを処理するために、コンプレッサーパーサーに行われました。
• awkのファイル（TIKA-1081）の検出から防止した活版印刷のエラーを対処します。
• は、提出された文書（TIKA-1047）のごく一部に基づいて、メディアタイプを検出しティカのJAX-RS RESTサーバに新しいエンドポイントを追加しました。
• RTF：順序と順不同リストは、現在（TIKA-1062）が抽出されてます。
。
• MP3：オーディオ期間は今が抽出される（TIKA-991）
• Javaの.classファイル：Javaバイトコード（TIKA-1053）を解析するためのASM 3.1からASM 4.1にアップグレードします。
。
• MIMEタイプ：定義はいくつかの一般的な形式の詳細（TIKA-1012 / TIKA-1083）
と一緒にリンク（URL）とUTIを含み、任意に延長
Officeドキュメントからの要約情報を解析する際、OLE10埋め込まれた文書を解析し、TikaCLIに埋め込まdocumenntsを保存するときには、現在の抽出（TIKA-1074）します。を中止ログに記録する代わりにされている
• 例外
• MSワード：ライン表形式の文字が今改行（TIKA-1128）に置き換えられます。
• XML：ElementMetadataHandlersは今、必要に応じて、重複や空の値（TIKA-1133）を受け入れることができます。
。

の要件の

• は、Java 2 Standard Editionのランタイム環境ます。