Apache Tika 1.24 发布,内容抽取工具集合

来自:互联网
时间:2020-03-21
阅读:

Apache Tika 1.24 发布了,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。

主要更新内容如下:

  • 更新 Drew Noakes 的元数据提取器
  • 启用 PDF 中的结构标签的可选提取(alpha 级)
  • Tika 应用程序的 --extract 模式现在输出到 STDOUT
  • 为 PDF 添加可选的 Preflight 解析器
  • 改进对某些基于 zip 格式的检测
  • 将元数据提取器升级到 2.13.0 
  • 升级到 POI 4.1.2
  • 从 PSD 文件中提取 XMP
  • 在 PDF 中添加了 XMLProfiler 作为可选的解析器以配置 XFA 和 XMP
  • 从 PDF 提取依赖于 DCT 过滤器的内联图像
  • 升级到 PDFBox 2.0.19
  • 修复了 ASM 解析器配置中的错误
  • 升级到 Java-libpst 0.9.3
  • 修复了 ToXMLHandler 的 XLIFF12Parser 故障 

更新说明: https://downloads.apache.org/tika/CHANGES-1.24.txt

返回顶部
顶部