tika産生背景
随着網際網路技術的興起，大資料的到來，使得各種語言各種資訊的擷取變得非常簡單。從這個角度來說，資訊的自動處理、檢索，對于跨文化、跨語言的各種内容的了解來說，變得異常重要。而apache的tika，無疑是這種環境下的一種産物，它是一個重要的内容識别和了解的工具。
tika是什麼
根據tika的官方解釋，它是這樣的一個工具集：使用已有的各種解析庫（parser libraries），從各種類型的文檔中，探測、抽取其中的頭資料（metadata）和結構化文本内容。
tika的功能
1，文檔類型識别。主要是各種檔案的mime類型确定和識别等。tika會根據已知的mime庫以及一系列的scheme（mime MAGIC，URL模式比對，xml的根字元，或者檔案擴充名），來确定某個檔案，連結位址，或者文本的片段是否比對到已知的一種檔案類型。如果内容比對，tika探測到了它的mime類型，然後繼續送出給相關的解析器去作進一步的處理。
2，内容抽取。當tika識别出檔案的類型後，就可以找出合适的解析器去作進一步的處理，借助于不同的解析工具集，就可以讀取到該類型文檔裡的各個元素的内容。這個功能的一個很重要使用場景是，從各種電子文檔中抽取出其中的文本内容，然後去建立一個全文本的搜尋索引，這個就需要跟各種不同的解析工具集打交道了，但是殊途同歸，目的隻有一個，将該文檔中的文本資訊抽取出來。下列示意圖可以做一個簡單的處理過程的說明：
3，metadata擷取。借助tika，你可以友善的抽取出任意檔案的metadata。
4，語言識别。要做一個基本的搜尋引擎，對于文檔的語言識别功能必不可少。而語言識别有其自己的識别算法，一般采用N-gram算法。下圖中就是針對“人人生而自由，在尊嚴和權力上一律平等”的阿拉伯語、中文、英文、法語及俄語的不同語種闡述：
通過tika，你可以很友善的做到語言識别這一點。以下例子是應用tika來識别不同語言版本的pdf文檔效果：
2