tika-python - Python版Apache Tika库，支持文档解析、文本翻译与语言检测

项目介绍

tika-python 是一个基于 Python 的类库，旨在通过 Tika REST 服务器将 Apache Tika 引入 Python 环境。Apache Tika 是一个功能强大的工具，用于从各种文档中提取文本和元数据，而 tika-python 则通过提供 Python 接口，使得这些功能在 Python 程序中得以使用。

tika-python 可以通过 Setuptools、Pip 或 Easy Install 进行安装，但前提是系统上需要安装 Java 7 或以上版本，因为 tika-python 在后台启动了 Tika REST 服务器。这个项目受到了 Aptivate Tika 的启发，并致力于提供简便的文档解析解决方案。

安装方法

使用 pip 安装

pip install tika

不使用 pip 安装

对于无需使用 pip 的情况下，可以通过以下步骤进行安装：

python setup.py build
python setup.py install

网络受限环境配置

对于无法访问互联网的环境，可下载 Tika 服务器文件（包括 tika-server.jar 和 tika-server.jar.md5），并设置 TIKA_SERVER_JAR 环境变量，如下所示：

export TIKA_SERVER_JAR="file:///<yourpath>/tika-server-standard.jar"

这样就可以在脱机环境中运行 tika-python，而无需每次都从 Apache 下载最新版本。

环境变量

tika-python 在初始化时读取一些环境变量，这些变量用于控制 Tika 服务器的各种参数配置：

TIKA_VERSION：指定 Tika 版本号，如 1.12 等。
TIKA_SERVER_JAR：用于指定远程 Tika 服务器 jar 的下载 URL。
TIKA_SERVER_ENDPOINT：设置正在运行的 Tika 服务器的主机地址。
TIKA_CLIENT_ONLY：若设置为 True，则忽略 TIKA_SERVER_JAR，仅通过 TIKA_SERVER_ENDPOINT 访问 Tika。
其他环境变量如 TIKA_TRANSLATOR、TIKA_SERVER_CLASSPATH、TIKA_LOG_PATH 等，同样用于配置和调试。

测试方法

tika-python 提供多种接口，包括解析接口、检测接口、配置接口、语言检测接口等，用户可以使用这些接口解析文件的内容和元数据信息。

以下是一些常用接口的示例：

解析接口

用于提取文件内容和元数据：

import tika
from tika import parser
parsed = parser.from_file('/path/to/file')
print(parsed["metadata"])
print(parsed["content"])

检测接口

用于检测文件的 MIME 类型：

import tika
from tika import detector
print(detector.from_file('/path/to/file'))

配置接口

用于查看 Tika 服务器的配置，如支持的解析器、MIME 类型等：

import tika
from tika import config
print(config.getParsers())

语言检测接口

用于检测文件中所用语言的两字符代码：

from tika import language
print(language.from_file('/path/to/file'))

新命令行工具

安装 tika-python 后，用户还可使用新的命令行工具 tika-python，该工具能执行解析、检测、语言识别、翻译、配置查看等多种操作，返回的结果默认为 JSON 格式。用户可以通过命令行查看所有可用命令及其选项。

贡献者

项目由来自不同机构和公司的开发者共同参与和维护，感谢这些贡献者的辛勤付出。项目也得到 DARPA MEMEX 计划的支持。

许可证

项目使用 Apache License, version 2 作为许可证，用户可以在遵守许可证的条件下自由使用和修改代码。