Apache Tika
 Logo programu | |
| Autor | Apache Software Foundation |
|---|---|
| Pierwsze wydanie | 2007 |
| Aktualna wersja stabilna | 3.1.0 (31 stycznia 2025) [±] |
| Aktualna wersja testowa | 3.0.0-BETA (13 grudnia 2023) [±] |
| Język programowania | Java |
| System operacyjny | Wieloplatformowy |
| Rodzaj | biblioteka programistyczna (ekstrakcja tekstu i meta-danych z dokumentów) |
| Licencja | Apache License |
| Strona internetowa | |
Apache Tika – otwartoźródłowe oprogramowanie do wykrywania i analizy treści, napisane w Javie, stworzone i znajdujące się pod opieką Apache Software Foundation. Tika wykrywa i wyodrębnia metadane oraz tekst z ponad tysiąca różnych typów plików[1]. Narzędzia Tika można używać m.in. jako biblioteki programistycznej (nie tylko w jęz. Java, lecz w wielu innych popularnych jęz. programowania[2]), z wiersza poleceń (CLI) lub jako serwis webowy (REST).
Opis działania
[edytuj | edytuj kod]Tika umożliwia identyfikację ponad 1400 typów plików na podstawie taksonomii typów MIME. W przypadku większości popularnych i popularnych formatów Tika zapewnia ekstrakcję treści, ekstrakcję metadanych oraz identyfikację języka. Formatem wyjściowym działania aplikacji może być jeden z kilku formatów (m.in. JSON, XML, HTML), które mogą następnie być użyte jako dane wejściowe do innych narzędzi. Istnieje możliwość rozpoznawania tekstu w formie obrazu za pomocą oprogramowania OCR Tesseract[3].
Użycie
[edytuj | edytuj kod]Tika, mimo że może być użyta samodzielnie, typowo jest używana w powiązaniu z innymi narzędziami[4]: wyodrębniony tekst i metadane trafiają do narzędzi indeksujących treść takich jak Apache Solr lub Elasticsearch[5] lub są poddawane analizie „w locie”[6]. Tego typu funkcje są użyteczne w systemach zarządzania treścią[7], wyszukiwarkach korporacyjnych i internetowych czy robotach internetowych, takich jak Apache Nutch[8] itp. Treści wyodrębnione przez system Tika mogą być udostępnione w innej formie w jednym popularnych formatów.
Zastosowania
[edytuj | edytuj kod]Tika jest, pośrednio lub bezpośrednio, używana obecnie w wielu dziedzinach i branżach, które są zainteresowane przetwarzaniem dużych ilości danych tekstowych: w badaniach naukowych i rynkowych[6], przez instytucje finansowe (w tym Goldman Sachs[9]) itp.
4 kwietnia 2016 r. Forbes opublikował artykuł wskazujący Tikę jako jedną z kluczowych technologii używanych przez ponad 400 dziennikarzy do analizy 11,5 miliona ujawnionych dokumentów w ramach wycieku danych znanych pod nazwą Panama Papers (gdzie ujawniono przypadki przechowywania środków finansowych w zagranicznych instytucjach finansowych zlokalizowanych w rajach podatkowych przez wielu prominentnych polityków, urzędników i ich współpracowników)[10].
Przypisy
[edytuj | edytuj kod]- ↑ Apache Tika – Supported Document Formats [online], tika.apache.org [dostęp 2020-03-03].
- ↑ API Bindings for Tika – TIKA – Apache Software Foundation [online], cwiki.apache.org [dostęp 2020-03-03].
- ↑ TikaOCR – TIKA – Apache Software Foundation [online], cwiki.apache.org [dostęp 2020-03-03].
- ↑ Mattmann, Chris, i Jukka Zitting. Tika in action. Manning Publications Co., 2011.
- ↑ Luburić, Nikola, i Dragan Ivanović. „Comparing apache solr and elasticsearch search servers”, 2016.
- ↑ a b Verma, Rishi, i Chris Mattmann. „Extending Spark Analytics through Tika-Based Information Extraction and Retrieval”. W 2015 IEEE International Conference on Information Reuse and Integration, 215–218. IEEE, 2015.
- ↑ Content Transformation and Metadata Extraction with Apache Tika [online], Alfresco Hub, 5 czerwca 2015 [dostęp 2020-03-03] (ang.).
- ↑ Nagel, Sebastian. „Web crawling with Apache Nutch”. ApacheCon EU, 2014.
- ↑ Goldman Sachs Puts Elasticsearch To Work [online], InformationWeek [dostęp 2020-03-03] (ang.).
- ↑ Thomas Fox-Brewster, From Encrypted Drives To Amazon’s Cloud -- The Amazing Flight Of The Panama Papers [online], Forbes [dostęp 2020-03-03] (ang.).