Przejdź do zawartości

Apache Tika

Z Wikipedii, wolnej encyklopedii
Tika
Logo Tika
Logo programu
Autor Apache Software Foundation
Pierwsze wydanie 2007
Aktualna wersja stabilna 2.3.0 – 7 lutego 2022; ponad 2 lata temu[1]
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 Tikaotwartoźródłowe 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[2]. Narzędzia Tika można używać m.in. jako biblioteki programistycznej (nie tylko w jęz. Java, lecz w wielu innych popularnych jęz. programowania[3]), 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[4].

Użycie

[edytuj | edytuj kod]

Tika, mimo że może być użyta samodzielnie, typowo jest używana w powiązaniu z innymi narzędziami[5]: wyodrębniony tekst i metadane trafiają do narzędzi indeksujących treść takich jak Apache Solr lub Elasticsearch[6] lub są poddawane analizie „w locie”[7]. Tego typu funkcje są użyteczne w systemach zarządzania treścią[8], wyszukiwarkach korporacyjnych i internetowych czy robotach internetowych, takich jak Apache Nutch[9] 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[7], przez instytucje finansowe (w tym Goldman Sachs[10]) 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)[11].

Przypisy

[edytuj | edytuj kod]
  1. Apache Tika – Apache Tika [online], tika.apache.org [dostęp 2022-02-20].
  2. Apache Tika – Supported Document Formats [online], tika.apache.org [dostęp 2020-03-03].
  3. API Bindings for Tika - TIKA - Apache Software Foundation [online], cwiki.apache.org [dostęp 2020-03-03].
  4. TikaOCR - TIKA - Apache Software Foundation [online], cwiki.apache.org [dostęp 2020-03-03].
  5. Mattmann, Chris, i Jukka Zitting. Tika in action. Manning Publications Co., 2011.
  6. Luburić, Nikola, i Dragan Ivanović. „Comparing apache solr and elasticsearch search servers”, 2016.
  7. 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.
  8. Content Transformation and Metadata Extraction with Apache Tika [online], Alfresco Hub, 5 czerwca 2015 [dostęp 2020-03-03] (ang.).
  9. Nagel, Sebastian. „Web crawling with Apache Nutch”. ApacheCon EU, 2014.
  10. Goldman Sachs Puts Elasticsearch To Work [online], InformationWeek [dostęp 2020-03-03] (ang.).
  11. Thomas Fox-Brewster, From Encrypted Drives To Amazon's Cloud -- The Amazing Flight Of The Panama Papers [online], Forbes [dostęp 2020-03-03] (ang.).