Apache Tika1.0.0

Apache Tika 是一个功能强大的内容抽取工具包（a toolkit for text extracting），旨在为各类文档格式提供统一、便捷的文本与元数据提取接口。它整合了如 Apache POI 和 PDFBox 等成熟开源库，并通过标准化 API 屏蔽底层实现差异，使开发者能够以一致的方式处理多种文件类型。同时，Tika 提供了灵活的扩展机制，便于集成对更多第三方格式的支持。

支持的文件格式一览

Apache Tika 广泛支持多种主流及常见文档格式，具体包括：

1. PDF —— 通过 PDFBox 实现内容解析；
2. Microsoft Office 系列（MS-*） —— 借助 Apache POI 提取 Word、Excel、PowerPoint 等文档内容；
3. HTML —— 利用 NekoHTML 将不规范的 HTML 自动转换为结构良好的 XHTML 后进行处理；
4. OpenOffice 文档格式 —— 由 Tika 原生支持解析；
5. 压缩归档文件 —— 包括 ZIP、TAR、GZIP、BZIP2 等格式；
6. RTF（富文本格式） —— Tika 内置解析能力；
7. Java 类文件（.class） —— 通过 ASM 库完成字节码级别的元数据提取；
8. 图像文件 —— 支持提取 EXIF、IPTC 等图像元数据，但不包含图像内容识别；
9. XML —— 可直接解析并提取结构化信息。