Apache Tika 2.0.0 发布，内容检测和分析框架

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