Tika是一个内容抽取的工具集合(a toolkit for text extracting)。它集成了POI, 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。
Tika提供了对如下文件格式的支持:
* PDF - 通过Pdfbox
* MS-* - 通过POI
* HTML - 使用nekohtml将不规范的html整理成为xhtml
* OpenOffice 格式 - Tika提供
* Archive - zip, tar, gzip, bzip等
* RTF - Tika提供
* Java class - Class解析由ASM完成
* Image - 只支持图像的元数据抽取
* XML
有用
有用
有用