Apache Tika 1.23 发布了,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:现在,当用户在渲染的页面图像上配置 OCR 时,PDFParser 依靠 OCRDPI 来渲染页面图像。 这将具有增加渲染图像大小的效果(TIKA-2624)。
- 注意:对于没有解析器的文件类型,tika-server 不再返回 415。
- 修复了 PDFParser 中的 AUTO OCR 策略中的错误(TIKA-3002)。
- 修复了从 JPEG 图像中提取不正确的高度和宽度元数据的问题(TIKA-2630)。
- 升级到 POI 4.1.1(TIKA-2851)。
- 升级到 PDFBox 2.0.17(TIKA-2951)。
- 确保 PDFParser 通过 Eric Pugh 从 tika-config.xml 中遵循 Tesseract 的自定义配置(TIKA-2970)。
- 添加 XLIFF v1.2 文件的解析器(TIKA-2975)。
- 添加对 WebAssembly(TIKA-2894)、HEIF/HEIC 图像(TIKA-2942)、Digilite FDF(TIKA-2988)的 mime 类型检测支持; XFDF(TIKA-2990)和 XDP(TIKA-2989)的 xml-root 检测。
- 添加 XLZ 解析器(TIKA-2976)。
- 当 InputStream 引发 IOException 时,使用 ForkParser 修复死锁(TIKA-2892)。