Apache Tika 1.0发布，开源的文档检索工具包

Apache Tika 1.0 正式发布了。

Apache Tika是一种利用现有的解析类库，从不同格式的文档中（例如HTML、PDF、Doc等）检测和提取元数据、结构化文本内容的工具包。

其功能包括：

• 检测文档的类型、字符编码、语言以及其他现有文档的属性。
• 提取结构化的文本内容。
• 支持20多种常见的文件格式，包括各种Office文档格式、压缩格式、网页格式、文本格式等。

Apache Tika主要用于搜索引擎以及其他内容索引和分析工具，其编程语言为Java。Tika项目于2007年3月启动，最开始是Apache Lucene（全文检索引擎工具包）的子项目，现在已经成为了Apache组织的*开源项目。

Apache Tika 1.0在之前版本基础上，针对API、配置、OSGi以及各种文档（包括RTF、MS Office、PDF、OpenOffice等文档）作了大量改进。

详细改进参阅：http://www.apache.org/dist/tika/CHANGES-1.0.txt

项目官网：http://tika.apache.org/

下载地址：http://www.apache.org/dyn/closer.cgi/tika/apache-tika-1.0-src.zip