Apache Tika

Informations
Développé par	Jukka Zitting (d) et Tim Allison (d)
Première version	22 mars 2007
Dernière version	2.9.1 (20 octobre 2023)
Dépôt	gitbox.apache.org/repos/asf/tika.git
Écrit en	Java
Environnement	Machine virtuelle Java
Formats lus	Classes Java, Waveform Audio File Format, Au, Audio Interchange File Format, Standard MIDI File (d), Microsoft Compressed HTML, Directory Interchange Format (d), DWG, EPUB, Portable Executable, Executable and Linkable Format, XCOFF (en), Adobe Type 1 Font (en), TrueType, Better Portable Graphics, Apple Icon Image, Portable Network Graphics, Wireless Application Protocol Bitmap Format, Windows bitmap, XCF, PSD, TIFF, WebP sans pertes (d), JPEG File Interchange Format, Mbox, Office Open XML, TNEF, MP3, MPEG-4 Part 14, 3GPP (d), 3GPP2 (d), Format de fichier Quicktime (en), Advanced Video Coding (d), netCDF, OpenDocument, Portable Document Format, Zlib, GZIP (en), bzip2 (d), bzip Archive (d), XZ, tar, JAR, ZIP, cpio, 7z, RAR, Rich Text Format, texte brut, Flash Video, Free Lossless Audio Codec, Kate (d), Ogg, Opus, Speex, Theora, Vorbis et AppleSingle (d)
Type	Algorithme de recherche; Identification du format de fichier (d); Gestion de contenu (en); Bibliothèque logicielle
Licence	Licence Apache 2.0
Site web	tika.apache.org

Apache Tika est un toolkit développé par la fondation Apache qui permet de détecter, d'extraire des métadonnées, et de structurer le contenu textuel de nombreux types de documents (gzip, .mid, .pdf, tar, zip...)^[2].

Ce projet dépendant de l'Apache Software Foundation, était auparavant un sous-projet de Apache Lucene.

Usages notables

Tika est utilisé combiné à Solr par environ 400 journalistes pour analyser les 11,5 millions de documents divulgués lors des Panama Papers^[3].