[TOC] > [home](https://tika.apache.org/) > [downlaod](https://tika.apache.org/download.html) ## tika Apache Tika 是一个功能强大的工具，用于从各种文件格式中提取文本和元数据。它支持广泛的文件类型，包括文档、图像、音频、视频等，并且能够自动检测文件类型。Tika 被广泛应用于信息检索、数据挖掘、数字图书馆等领域。以下是对 Apache Tika 的详细介绍。 **功能与特点** 1. **多种文件格式支持** * **文档格式**: Microsoft Word (.doc, .docx), Excel (.xls, .xlsx), PowerPoint (.ppt, .pptx), PDF, OpenOffice, HTML, ePub等。 * **图像格式**: JPEG, PNG, GIF, BMP, TIFF等。 * **音频格式**: MP3, WAV, Ogg等。 * **视频格式**: MP4, AVI, MKV等。 * **其他**: ZIP, RAR, TAR等压缩格式，邮件格式如 EML 和 MSG。 2. **文本提取** Tika 可以从各种文件格式中提取纯文本内容，方便后续处理和分析。 3. **元数据提取** 除了文本，Tika 还能够提取文件的元数据，如作者、标题、创建时间等。 4. **自动检测文件类型** Tika 能够自动检测输入文件的类型，并选择合适的解析器进行处理。 5. **易于集成** Tika 提供了多种语言的 API，包括 Java、Python、Go 等，方便集成到各种应用中。 **部署方式** 1. **作为库使用** 可以将 Tika 作为 Java 库直接集成到应用程序中，适用于需要直接调用 Tika API 的场景。 2. **Tika 服务器** Tika 服务器提供了一个 RESTful API，可以通过 HTTP 请求进行文档解析，适用于跨平台和分布式系统。 3. **命令行工具** Tika 提供了命令行工具，可以在终端中执行各种解析任务，适用于脚本化和批处理场景。 **典型应用** 1. **内容管理系统** 在内容管理系统（CMS）中使用 Tika 自动提取上传文件的文本和元数据，方便内容索引和搜索。 2. **电子发现** 在法律和合规性领域，用于大规模文档的自动解析和分析。 3. **数据分析** 将各种格式的数据提取为结构化文本，方便数据挖掘和分析。 4. **数字图书馆** 自动提取电子书和文档的内容和元数据，提供全文搜索和检索功能。 ## 服务 docker ``` docker run -d -p 9998:9998 apache/tika:latest ``` java ``` java -jar tika-server-1.21.jar -p 9998 ``` 通过调用 GET `http://127.0.0.1:9998/version` 查看服务是否起来