Apache Tika 1.27 发布,内容抽取工具集合

来源: OSCHINA
编辑: 局长
2021-07-09

Apache Tika 1.27 已发布,Tika 是一个内容抽取的工具集合 (a toolkit for text extracting)。它集成了 POI 和 Pdfbox,并且为文本抽取工作提供了一个统一的界面。其次,Tika 也提供了便利的扩展 API,用来丰富其对第三方文件格式的支持。

主要更新内容

  • 将 MP4 解析迁移到 Drew Noakes 的元数据提取器上 (TIKA-3459)
    如需恢复至旧版解析器,关闭 NoakesMP4Parser 并通过 tika-config.xml 打开 MP4Parser
  • 防止在 tika-server 的 -spawnChild 模式下,由于无法绑定到端口而重启失败时,出现罕见的无限循环 (TIKA-3441).
  • 提升 likelihood 在 tika-server 的 jvm 重启时不会被弃用的可能性 (TIKA-3441).
  • 弃用实验性的 PDFPreflightParser (TIKA-3437).
  • 通过 Ryan421 对 zip 条目名称应用编码检测 (TIKA-3374).
  • 在 tika-server 中为 /tika 端点添加 json 输出 (TIKA-3352).
  • 如果有一个文件通过 TikaInputStream 传入,Tika 的 PDFParser 会使用底层文件 (TIKA-3350)

下载地址:https://tika.apache.org/download.html

展开阅读全文
13 收藏
分享
加载中
更多评论
0 评论
13 收藏
分享
返回顶部
顶部