Apache Tika

Apache Tika è un software per l'estrazione di dati e analisi dei contenuti, scritto in Java, gestito dalla Apache Software Foundation.^[1] È in grado di trovare ed estrarre testo e metadati da oltre un migliaio di formati di file. È disponibile come libreria Java, in versione server e command line, pronto per essere richiamato da altri linguaggi di programmazione.

Apache Tika software
Logo
Genere	Motore di ricerca e indicizzazione Libreria (non in lista)
Sviluppatore	Apache Software Foundation
Data prima versione	22 marzo 2007
Ultima versione	3.1.0 (31 gennaio 2025)
Sistema operativo	Multipiattaforma
Linguaggio	Java
Licenza	Apache License 2.0 (licenza libera)
Sito web	tika.apache.org

Storia

In origine apparteneva al progetto Apache Nutch, per l'identificazione di contenuti e l'estrazione di dati da internet per i web crawler. Successivamente divenne un sottoprogetto di Lucene.

Nel 2007 divenne un progetto autonomo, per diventare una libreria richiamabile da qualunque sistema di gestione dei contenuti (Content Management System) e motore di ricerca. La versione autonoma è frutto del lavoro di Jérôme Charron, Chris Mattmann e Jukka Zitting.^[2] Nel 2011 Chris Mattmann e Jukka Zitting hanno pubblicato il libro "Tika in Action", e il progetto ha rilasciato la versione 1.0.

Caratteristiche

Tika ha la capacità di analizzare oltre 1400 tipi di file tra quelli elencati dalla Internet Assigned Numbers Authority nei tipi MIME. Per la maggior parte dei formati comuni e diffusi,^[3] Tika fornisce l'estrazione del contenuto, dei metadati e l'identificazione della lingua.

Tika è scritto in Java, ma è usato da moltissimi altri linguaggi^[4]. In particolare il server REST e la versione CLI consentono agli altri linguaggi di agganciarsi e sfruttare le potenzialità della libreria.

Casi di utilizzo notevoli

Tika viene utilizzato nel mondo finanziario da istituti quali: Fair Isaac Corporation (FICO),^[5] Goldman Sachs,^[6] NASA e ricercatori universitari^[7]

Il 4 aprile 2016 Forbes pubblicò un articolo^[8] in cui si cita Tika come una delle chiavi tecnologiche che consentirono a oltre 400 giornalisti di analizzare gli 11 milioni e passa documenti sfuggiti al controllo ufficiale (leak), noti come i Panama Papers, e ricostruire le vicende scandalose di movimento di denaro ed evasione di personalità di alto profilo che utilizzavano i fondi offshore.