Apache Tika

software per analisi testuale e ricerca di contenuti
Apache Tika
software
Logo
GenereMotore di ricerca e indicizzazione Libreria (non in lista)
SviluppatoreApache Software Foundation
Data prima versione22 marzo 2007
Sistema operativoMultipiattaforma
LinguaggioJava
LicenzaApache License 2.0
(licenza libera)
Sito webtika.apache.org/ e tika.apache.org

Apache Tika è un software per l'estrazione di dati e analisi dei contenuti, scritto in Java, gestito dalla Apache Software Foundation.[1] È in grado di trovare ed estrarre testo e metadati da oltre un migliaio di formati di file. È disponibile come libreria Java, in versione server e command line, pronto per essere richiamato da altri linguaggi di programmazione.

StoriaModifica

In origine apparteneva al progetto Apache Nutch, per l'identificazione di contenuti e l'estrazione di dati da internet per i web crawler. Successivamente divenne un sottoprogetto di Lucene.

Nel 2007 divenne un progetto autonomo, per diventare una libreria richiamabile da qualunque sistema di gestione dei contenuti (Content Management System) e motore di ricerca. La versione autonoma è frutto del lavoro di Jérôme Charron, Chris Mattmann e Jukka Zitting.[2] Nel 2011 Chris Mattmann e Jukka Zitting hanno pubblicato il libro "Tika in Action", e il progetto ha rilasciato la versione 1.0.

CaratteristicheModifica

Tika ha la capacità di analizzare oltre more 1400 tipi di file tra quelli elencati dalla Internet Assigned Numbers Authority nei tipi MIME. Per la maggior parte dei formati comuni e diffusi,[3] Tika fornisce l'estrazione del contenuto, dei metadati e l'identificazione della lingua.

Tika è scritto in Java, ma è usato da moltissimi altri linguaggi[4]. In particolare il server REST e la versione CLI consentono agli altri linguaggi di agganciarsi e sfruttare le potenzialità della libreria.

Casi di utilizzo notevoliModifica

Tika viene utilizzato nel mondo finanziario da istitui quali: Fair Isaac Corporation (FICO),[5] Goldman Sachs,[6] NASA e ricercatori universitari[7]

Il 4 aprile 2016 Forbes pubblicò un articolo[8] in cui si cita Tika come una delle chiavi tecnologiche che consentirono a oltre 400 giornalisti di analizzare gli 11 milioni e passa documenti sfuggiti al controllo ufficiale (leak), noti come i Panama Papers, e ricostruire le vicende scandalose di movimento di denaro ed evasione di personalità di alto profilo che utilizzavano i fondi offshore.

NoteModifica

  1. ^ Apache Tika, su tika.apache.org. URL consultato il 15 aprile 2016.
  2. ^ Tika Proposal, su wiki.apache.org. URL consultato il 15 aprile 2016.
  3. ^ The Apache Software Foundation, su Apache Tika formats page. URL consultato il 16 aprile 2016.
  4. ^ API Bindings for Tika, Apache Tika. URL consultato il 17 aprile 2016.
  5. ^ FICO to Engage Kaggle's Community of 180,000 Data Scientists to Drive Innovation in the FICO Analytic Cloud FICO, su FICO Decisions. URL consultato il 15 aprile 2016 (archiviato dall'url originale il 3 giugno 2016).
  6. ^ (EN) Goldman Sachs Puts Elasticsearch To Work - InformationWeek, in InformationWeek. URL consultato il 21 giugno 2017.
  7. ^ Studying polar data with the help of Apache Tika, su Opensource.com. URL consultato il 15 aprile 2016.
  8. ^ Thomas Fox-Brewster, From Encrypted Drives To Amazon's Cloud -- The Amazing Flight Of The Panama Papers, su Forbes. URL consultato il 15 aprile 2016.

Voci correlateModifica

Collegamenti esterniModifica