Apache Tika

Apache Tika – otwartoźródłowe 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).

Tika

Logo programu
Autor	Apache Software Foundation
Pierwsze wydanie	2007
Aktualna wersja stabilna	2.3.0 – 7 lutego 2022; około 3 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

Opis działania

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(inne języki)^[4].

Użycie

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

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].