tika的框架，功能

Tika是什么？

      Tika是一个内容抽取的工具集合。它集成了POI, 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。

Apache Tika 可以自动检测各种文档(如word,ppt,xml,csv,ppt等)的类型并抽取文档的元数据和文本内容。Tika集成了现有的文档解析库，并提供统一的接口，使针对不同类型的文档进行解析变得更简单。

 

Tika的框架结构：

Tika支持的功能：

文件类型检测：使用不同的检测技术，检测给它的文件的类型。

语言检测：语言识别功能

内容提取：解析器库，可以分析各种文档格式的内容，并提取它们。

元数据提取：提取文档中的元数据信息

 

处理过程：

Tika通过parser和contentHandler来进行文档分析和处理。Parser负责解析具体的文档，当解析到需要进行处理的时候调用contentHandler进行解析内容的处理。

      contentHandler（org.xml.sax）是一个用于处理sax解析的程序接口，当parser解析到某些内容时（如节点之间的信息，以及节点本身的信息）时，便会根据需要去调用contentHandler的相关处理方法。即一个负责解析，一个负责处理，两者相互协作。