Was macht Apache Tika Dokumentextraktor?
Kapselt die Apache Tika Server REST API ein, um strukturierten Text aus PDFs, DOCX, PPTX und über 1.200 Dateiformaten zu extrahieren. Gibt sauberes Markdown mit Metadaten-Erhaltung unter Verwendung des Tika /rmeta/text-Endpunkts und des rekursiven Parsing-Modus aus.
Installation
Anforderungen und Hinweise aus dem Upstream-Projekt:
- N.B. Docker wird für Tests in den Tika-Integrationstests verwendet. Falls Docker nicht installiert ist, werden diese Tests übersprungen.
Grundlegende Verwendung oder Einstiegsnotizen:
- ===========
- Eine Datei in Java parsen:
- java
Quelle: https://github.com/apache/tika Aus den Upstream-Dokumenten extrahiert: https://raw.githubusercontent.com/apache/tika/HEAD/README.md