皇上,还记得我吗?我就是1999年那个Linux伊甸园啊-----24小时滚动更新开源资讯,全年无休!

Apache Tika 1.22 发布,内容抽取工具集合

Apache Tika 1.22 已发布,Tika 是一个内容抽取的工具集合 (a toolkit for text extracting) 。它集成了 POI 和 Pdfbox,并且为文本抽取工作提供了一个统一的界面。其次,Tika 也提供了便利的扩展 API,用来丰富其对第三方文件格式的支持。

新版本包含许多改进和错误修复,主要更新内容如下:

  • 注意:已知回归:PDFBOX-4587  – 代码点在 0xF000 和 0XF0000 之间的 PDF 密码将导致异常
  • 为 HWP v5 文件添加解析器(TIKA-2909)
  • 修复关闭流的顺序,以避免在 TesseractOCRParser 中出现“无法关闭临时资源”异常(TIKA-2908)
  • 通过缓存编码检测器提升 AutoDetectReader 的性能(TIKA-1568)
  • 防止 RTFParser 输出不被允许的标签组合(TIKA-2889)
  • 修复 RereadableInputStream 以释放所有资源(TIKA-2903)
  • 在基于 OpenNLP 语言检测器的 tika-eval 模块中实现自定义语言标识符;添加 18 种语言,并为所有 121 种语言添加常用单词列表(TIKA-2790)
  • 修复 MimeTypesReader.releaseParser() 中的 NPE (TIKA-2896)
  • 修复 RTFParser 以提取更多内容(TIKA-2883)
  • 将 clientSubmitTime 添加到从 PST 文件中提取的元数据(TIKA-2898)
  • 改进了用于 xltx,xltm 和其他几种文件格式的 StreamingZipContainerDetector(TIKA-2886)

发布公告

下载地址:https://tika.apache.org/download.html

转自 https://www.oschina.net/news/108785/apache-tika-1-22-released