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