¿Qué hace Extractor de Documentos Apache Tika?
Envuelve la API REST de Apache Tika Server para extraer texto estructurado de PDFs, DOCX, PPTX y más de 1200 formatos de archivo. Genera markdown limpio con preservación de metadatos utilizando el endpoint /rmeta/text de Tika y el modo de análisis recursivo.
Instalación
Requisitos y advertencias del repositorio original:
- N.B. Docker se utiliza para las pruebas en tika-integration-tests. Si Docker no está instalado, esas pruebas se omiten.
Notas de uso básico o de inicio:
-
===========
-
Analizar un archivo en Java:
-
java
-
Fuente: https://github.com/apache/tika
-
Extraído de la documentación oficial: https://raw.githubusercontent.com/apache/tika/HEAD/README.md