¿Qué hace Agente de análisis de documentos Apache Tika?
Extrae texto y metadatos de más de 1000 formatos de archivo mediante la API REST del servidor Apache Tika. Maneja OCR de PDF con integración Tesseract, análisis de documentos de Office y extracción de archivos de correo electrónico con detección MIME.
Instalación
Requisitos y notas importantes del proyecto original:
- N.B. Docker se utiliza para las pruebas en tika-integration-tests. Si Docker no está instalado, esas pruebas se omiten.
Notas básicas de uso o inicio rápido:
-
===========
-
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