maxcom сегодня в ударе.

>Tika поддерживает офисные форматы Microsoft (OLE и OOXML), OpenDocument, Apple iWork, PDF, RTF, ePub и FB2, MIME (mailbox) и др. Поддерживается извлечение метаданных из аудио-форматов и изображений, распаковка некоторых популярных форматов архивов.

Она с Solr или Nutch работает?

>Определение языка/кодировки текстов: поддержка белорусского, каталонского, эсперанто, галийского, литовского, румынского, словацкого, словенского и украинского языков
Т.е., без русского?

maxcom сегодня в ударе.

Скор накручивает :-)

Русский язык там давно есть

Solr тянет с собой Tika

> Nutch

Вроде может реальный язык текста определять через какой-то плагин, который дергает тику.

руский языка в ударе

Вышла версия 1.0 Apache Tika — библиотеки и утилит для извлечения... набор утилит для извлечения или одна утилитА?

Определение языка/кодировки текстов: добавлена поддержка белорусского

Годно. Файная навіна!

Хорошая либа. Но жииирная, но тормознааая...

пробуй свежую версию - поддержка многих форматов стала быстрее

Java?

?

какие распространенные бинарные форматы имеются в виду?

Бинарный текст

Вышла версия 1.0 Apache Tika — библиотеки и утилит для извлечения текста и метаданных из распространенных бинарных форматов.

Tika поддерживает офисные форматы Microsoft (OLE и OOXML), OpenDocument, Apple iWork, PDF, RTF, ePub и FB2, MIME (mailbox) и др.

Apache Tit'ka 1.0

сабж

Уж лучше тогда 3.0 :D

Спасибо, пригодится.

Прочитал название как «Апаче-Титька» ))))

Мне бы файлы формата MS Ofiice Word 97-2003 сконвертировать в какой-нить fb2 или просто HTML, но чтобы со всеми таблицами и формулами. Этот Tika справится?

Есть вариант через утилиту unoconv из опенофиса, но она безбожно глючит.

Отличная вещь кстати, юзаем как полнотекстовый поиск по документам в системе.

формулы помоему никто не умеет корректно извлекать.

Таблицы и HTML будет, но оформление почти не будет перенесено (хотя для чтения это может и лучше)

Понятно. Спасибо за информацию, посмотрю.

Под формулами имеется в виду MS Equation и т.п.?

Это аналог http://www.gnu.org/s/libextractor/ ?

Да нет.

Во первых, Тика вообще ничего сама не делает. Это слой абстракции, который позволяет единообразно обращаться к разным вытаскивателям метаинформации из файлов.

Реально работает POI и pdfbox, первый из которых и можно было бы сравнить с libextractor.

> одна утилитА?

один утилит