内容简介：Apache Tika 是一个用于检测和提取元数据和结构化文本内容的工具包。Apache Tika 2.0.0 发布，更新内容如下： 常规： 如果 tesseract 在用户的路径上，OCR 现在会自动对 PDF 文件进行触发； 在 tika-app、tika-se...
Apache Tika 是一个用于检测和提取元数据和结构化文本内容的 工具 包。Apache Tika 2.0.0 发布，更新内容如下：
常规：
- 如果 tesseract 在用户的路径上，OCR 现在会自动对 PDF 文件进行触发；
- 在 tika-app、tika-server 和其他任何使用了 log4j 的地方将 log4j 升级到 log4j2；
- 默认情况下，当为 OCR 渲染一个页面时，PDFParser 不会渲染字形/文字；
- 删除了废弃的元数据键/属性；
- 删除了废弃的 PDFPreflightParser；
- 删除了不指定字符集就读取输入流或转换为字节的危险调用；
- 解析器可以在实例化时通过 tika-config.xml 进行配置；
- 改变了翻译器实现的命名空间以避免与 tika-core 分开打包；
tika-parsers
- 解析器模块被分成三个主要模块：tika-parsers-standard, tika-parsers-extended 和 tika-parsers-ml；
- CompressorParser：用户必须将 com.github.luben:zstd-jni 依赖项添加到 classpath 来处理zstd 文件；
- ChmParser 被移到 org.apache.tika.parser.microsoft.chm；
- RTFParser 被移到 org.apache.tika.parser.microsoft.rtf；
tika-server
- tika-server 现在默认会 fork 一个进程，将解析工作隔离在 fork 的进程中；
- 大部分通过命令行进行的 tika-server 的传统配置已经被移至通过 tika-config.xml 文件进行配置；
- tika-server的 "enableFileUrl" 已被删除，改为使用 FileSystemFetcher；
- tika-server 的 /metadata 端点需要 tika-server-standard 来写入 XMP/rdf 输出；
- 在 tika-server 中，对于那些可以通过配置对象在每次解析中进行配置的解析器来说，通过 ParseContext 传入的配置对象，配置对象将只更新那些用户修改过的字段；
更多详情可查看：https://downloads.apache.org/tika/2.0.0/CHANGES-2.0.0.txt
以上所述就是小编给大家介绍的《Apache Tika 2.0.0 发布，内容检测和分析框架》，希望对大家有所帮助，如果大家有任何疑问请给我留言，小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持！
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
