アパッチティカ

ティカ
開発者	Apache ソフトウェア財団
安定版リリース	2.9.1 / 2023年10月20日; 13か月前
リポジトリ	Tika リポジトリ
書かれた	ジャワ
オペレーティング·システム	クロスプラットフォーム
タイプ	検索とインデックス API
ライセンス	Apache ライセンス 2.0
Webサイト	tika.apache.org

Apache Tikaは、 Javaで書かれたコンテンツ検出および分析フレームワークで、 Apache Software Foundationによって管理されています。^[1] 1000種類以上のファイルタイプからメタデータとテキストを検出して抽出します。また、 Javaライブラリを提供するほか、他のプログラミング言語からの使用に適したサーバー版とコマンドライン版もあります。

歴史

このプロジェクトは、 Apache Nutchコードベースの一部として始まり、クロール時にコンテンツの識別と抽出を行うものでした。2007年に分離され、コンテンツ管理システム、他のWebクローラー、情報検索システムでより拡張性と使いやすさが向上しました。スタンドアロンのTikaは、Jérôme Charron、Chris Mattmann、Jukka Zittingによって設立されました。^[2] 2011年にChris MattmannとJukka ZittingはManningの書籍「Tika in Action」をリリースし、プロジェクトはバージョン1.0をリリースしました。

特徴

Tikaは、 Internet Assigned Numbers AuthorityのMIMEタイプの分類から1400種類以上のファイルタイプを識別する機能を提供します。 ^[3] Tikaは、より一般的で人気のあるほとんどの形式に対して、コンテンツ抽出、メタデータ抽出、言語識別機能を提供します。

OCRソフトウェアTesseractを使用して画像からテキストを取得することもできます。^[4]

TikaはJavaで書かれていますが、他の言語からも広く使用されています。^[5]RESTfulサーバーとCLIツールにより、 Java以外のプログラムでもTikaの機能にアクセスできます。

注目すべき用途

Tikaは、フェアアイザックコーポレーション（FICO）^[6]、ゴールドマンサックス^{[7] 、} NASA、学術研究者^{[8]などの金融機関や、}Drupal ^[9]、Alfresco（ソフトウェア）^[10]などの主要なコンテンツ管理システムで大量のコンテンツを分析し、情報検索技術を使用して共通の形式で利用できるようにするために使用されます。

2016年4月4日^[11]、フォーブスは、世界の指導者がオフショアのダミー会社に資金を保管しているという国際的スキャンダルを暴露する1150万件の漏洩文書を400人以上のジャーナリストが分析するために使用した主要な技術の1つとしてTikaを挙げた記事を掲載した。漏洩文書とそれを分析するプロジェクトはパナマ文書と呼ばれている。

参照

魔法の数字

参考文献

^ 「Apache Tika」。 2016年4月15日閲覧。
^ 「Tika Proposal」。2016年4月15日閲覧。
^ 「The Apache Software Foundation」。Apache Tika フォーマットのページ。2016年4 月 16 日閲覧。
^ “TikaOCR”.アパッチティカ。 2019-03-26 。2019 年 12 月 2 日に取得。
^ 「Tika の API バインディング」。Apache Tika。2016年 4 月 17 日閲覧。
^ 「FICO、Kaggleの18万人のデータサイエンティストのコミュニティと連携し、FICO分析クラウドのイノベーションを推進 | FICO」。FICO | Decisions。2016年6月3日時点のオリジナルよりアーカイブ。 2016年4月15日閲覧。
^ 「ゴールドマン・サックスがElasticsearchを導入 - InformationWeek」。InformationWeek 。2017年6月21日閲覧。
^ 「Apache Tika を利用して極地データを研究する」Opensource.com 。2016年 4 月 15 日閲覧。
^ 「Tika を使用した Drupal のテキスト抽出 | Drupal.org」www.drupal.org。2012 年 7 月 30 日。2016 年 4 月 15 日閲覧。
^ 「Apache Tika によるコンテンツ変換とメタデータ抽出 - alfrescowiki」。wiki.alfresco.com。2015年 6 月 5 日。2016年 4 月 15 日に閲覧。
^ Fox-Brewster, Thomas. 「暗号化ドライブからアマゾンのクラウドへ ― パナマ文書の驚くべき飛躍」Forbes . 2016年4月15日閲覧。

[1] 「Apache Tika」。 2016年4月15日閲覧。

[2] 「Tika Proposal」。2016年4月15日閲覧。

[3] 「The Apache Software Foundation」。Apache Tika フォーマットのページ。2016年4 月 16 日閲覧。

[4] “TikaOCR”.アパッチティカ。 2019-03-26 。2019 年 12 月 2 日に取得。

[5] 「Tika の API バインディング」。Apache Tika。2016年 4 月 17 日閲覧。

[6] 「FICO、Kaggleの18万人のデータサイエンティストのコミュニティと連携し、FICO分析クラウドのイノベーションを推進 | FICO」。FICO | Decisions。2016年6月3日時点のオリジナルよりアーカイブ。 2016年4月15日閲覧。

[7] 「ゴールドマン・サックスがElasticsearchを導入 - InformationWeek」。InformationWeek 。2017年6月21日閲覧。

[8] 「Apache Tika を利用して極地データを研究する」Opensource.com 。2016年 4 月 15 日閲覧。

[9] 「Tika を使用した Drupal のテキスト抽出 | Drupal.org」www.drupal.org。2012 年 7 月 30 日。2016 年 4 月 15 日閲覧。

[10] 「Apache Tika によるコンテンツ変換とメタデータ抽出 - alfrescowiki」。wiki.alfresco.com。2015年 6 月 5 日。2016年 4 月 15 日に閲覧。

[11] Fox-Brewster, Thomas. 「暗号化ドライブからアマゾンのクラウドへ ― パナマ文書の驚くべき飛躍」Forbes . 2016年4月15日閲覧。