Apache Tika 1.23 发布，内容抽取工具集合

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）。

更新说明：https://www.apache.org/dist/tika/CHANGES-1.23.txt

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