Apache_Tika
Apache Tikaは、Javaで記述されたコンテンツ検出および分析フレームワークであり、Apache SoftwareFoundationで管理されています。 1000を超えるさまざまなファイルタイプからメタデータとテキストを検出して抽出し、Javaライブラリを提供するだけでなく、他のプログラミング言語での使用に適したサーバーエディションとコマンドラインエディションを備えています。
ティカ
開発者
Apache Software Foundation
安定リリース
2.1.0 / 2021年8月18日 ; 43日前 （2021年8月18日）
リポジトリ
Tikaリポジトリ
で書かれている Java オペレーティング・システム
クロスプラットフォーム
タイプ
検索およびインデックス API
ライセンス
Apacheライセンス2.0
Webサイト
ティカ.apache .ORG
コンテンツ
1 歴史
2 特徴
3 注目すべき用途
4 も参照してください
5 参考文献
歴史
このプロジェクトは、クロール時にコンテンツの識別と抽出を提供するために、ApacheNutchコードベースの一部として開始されました。2007年には、コンテンツ管理システム、他のWebクローラー、および情報検索システムでより拡張可能で使用できるようにするために、分離されました。スタンドアロンのTikaは、JérômeCharron、Chris Mattmann、JukkaZittingによって設立されました。 2011年、ChrisMattmannとJukkaZittingは、マニングの本「Tika in Action」をリリースし、プロジェクトはバージョン1.0をリリースしました。
特徴
Tikaは、MIMEタイプのInternet Assigned NumbersAuthority分類法から1400を超えるファイルタイプを識別する機能を提供します。次に、より一般的で一般的なフォーマットのほとんどについて Tikaは、コンテンツ抽出、メタデータ抽出、および言語識別機能を提供します。
また、OCRソフトウェアTesseractを使用して画像からテキストを取得することもできます。
TikaはJavaで書かれていますが、他の言語から広く使用されています。 RESTfulなサーバーおよびCLIツールは、ティカの機能にアクセスするための非Javaプログラムを許可します。
注目すべき用途
Tikaは、Fair Isaac Corporation（FICO）、 Goldman Sachs、 NASA、学術研究者などの金融機関や、Drupal、、Alfresco（ソフトウェア）などの主要なコンテンツ管理システムで使用されています。]大量のコンテンツを分析し、情報検索技術を使用して一般的な形式で利用できるようにします。
2016年4月4日 フォーブスは、400人以上のジャーナリストがオフショアシェル企業にお金を保管している世界のリーダーが関与する国際スキャンダルを暴露する1150万件の漏洩文書を分析するために使用した主要技術の1つとしてTikaを特定する記事を公開しました。漏洩した文書とそれらを分析するプロジェクトは、パナマ文書と呼ばれます。
も参照してください
マジックナンバー
参考文献
^ https：//downloads.apache.org/tika/2.1.0/CHANGES-2.1.0.txt。
^ 「ApacheTika」。
^ 「ティカ提案」。
^ 「ApacheSoftwareFoundation」。ApacheTikaフォーマットページ。
^ 「TikaOCR」。アパッチティカ。2019-03-26 。
^ 「TikaのAPIバインディング」。ApacheTika 。
^ 「FICOがKaggleの180，000人のデータサイエンティストのコミュニティに参加して、FICO分析クラウドのイノベーションを推進する|FICO®」。FICO®| 決定。
^ 「ゴールドマンサックスはElasticsearchを機能させる-InformationWeek」。InformationWeek 。
^ 「ApacheTikaの助けを借りて極座標データを研究する」。Opensource.com 。
^ 「Tikaを使用したDrupalのテキスト抽出| Drupal.org」。www.drupal.org 。
^ 「ApacheTikaによるコンテンツ変換とメタデータ抽出-alfrescowiki」。wiki.alfresco.com 。
^ Fox-Brewster、Thomas。「暗号化されたドライブからAmazonのクラウドへ-パナマ文書の驚くべき飛行」。フォーブス。