Apache Tika 4.x: Markdownを既定出力にした文書抽出ツールキット

Apache Tika とは

Apache Tika は、既存のパーサーライブラリを使用してさまざまなドキュメントからメタデータと構造化テキストコンテンツを検出・抽出するツールキットです。リポジトリのメタデータによると、このプロジェクトは Java で書かれており、GitHub で 3900 以上のスターを獲得しています。公式ホームページは tika.apache.org です。Tika は Apache Software Foundation のプロジェクトであり、その商標は ASF に帰属します。README は現在のバージョンの特定のバージョン番号やリリース日を指定していませんが、Tika 2.x と Java 8 のサポートは 2025 年 4 月に終了し、Tika は Java 17 を必要とすることを述べています。

クイックスタート: Java API、コマンドライン、Maven

README は3つのクイックスタート例を提供しています。Java では、Tika クラスを使用してファイルを文字列に解析できます: new Tika().parseToString(new File("document.pdf"))。コマンドラインからは、java -jar tika-app-*.jar --text document.pdf を実行します。Maven プロジェクトの場合は、バージョンプレースホルダー 4.x.y を使用して tika-parsers-standard-package POM 依存関係を追加します。ビルド済みバイナリは Tika のダウンロードページと Maven Central から入手できます。README は最新リリースの特定のバージョン番号をリストしていません。ユーザーはダウンロードページまたは Maven Central で現在のバージョンを確認する必要があります。

ソースから Tika をビルドする

Tika は Java 17 と Maven 3 ビルドシステムを使用してビルドされます。リポジトリには Maven ラッパー（Unix では mvnw、Windows では mvnw.cmd）が含まれており、必要に応じて適切な Maven バージョンを自動的にダウンロードします。ソースからビルドするには、メインディレクトリで ./mvnw clean install を実行します。ビルドは複数のコンポーネントを生成し、スタンドアロンの実行可能 JAR（tika-app/target/tika-app-*.jar）を含みます。これは --help で機能を表示できます。特定のサブプロジェクト（tika-server-standard など）をビルドするには、-am -pl フラグを使用します。ossindex-maven-plugin が新たに発見された脆弱性のために失敗した場合、-Dossindex.skip でスキップできます。一部の統合テストには Docker が必要です。Docker がインストールされていない場合、それらのテストはスキップされます。

開発中の高速ビルド

README はビルドを高速化するいくつかの方法を文書化しています。fast プロファイル（-Pfast）はテスト、checkstyle、spotless をスキップします。並列ビルドは -T1C で有効にでき、CPU コアあたり1スレッドを使用します。Maven Daemon (mvnd) は温かい JVM を維持し、mvn のドロップイン代替として使用でき、2〜3倍高速なリビルドを提供します。これら3つを組み合わせる（mvnd clean install -Pfast -T1C）と、開発中に最大の速度が得られます。README は mvnd の主張以外にパフォーマンスベンチマークや速度向上の定量化を提供していません。

再現可能なビルド

Apache Tika は再現可能なビルドをサポートしています。つまり、同じソースコードを同じ JDK バージョンでビルドすると、ビルドマシンや時間に関係なくバイト単位で同一のアーティファクトが生成されます。主要な設定には、tika-parent/pom.xml に設定された project.build.outputTimestamp と、決定論的なプラグイン設定が含まれます。ビルド計画が再現可能性をサポートしていることを確認するには、./mvnw artifact:check-buildplan を実行します。2つのビルドが同一のアーティファクトを生成することを確認するには、README は2回ビルドして出力ディレクトリを diff することを推奨しています。README は再現可能性についてテストされた JDK バージョンを指定していません。

BOM による依存関係管理

Tika は、Tika モジュールのバージョンを調整し、バージョン管理を簡素化するための部品表（BOM）アーティファクト（tika-bom）を提供します。収束エラーを避けるために、依存関係管理セクションで BOM をインポートします。README には Maven（tika-bom を type pom、scope import で使用）と Gradle（implementation(platform(...)) を使用）の例が含まれています。バージョンプレースホルダー 4.x.y が使用されています。実際のバージョンはリリースから取得する必要があります。README はまた、Gradle では BOM プラットフォームを使用する場合、バージョンは不要であると述べています。README は Tika バージョン間の互換性保証を指定していません。

ライセンスと輸出管理

Apache Tika は Apache License Version 2.0 の下でライセンスされています。README には標準の ASF ライセンス通知が含まれており、集合著作物は Apache Software Foundation の著作権であると述べています。また、Tika には個別の著作権とライセンス条項を持つサブコンポーネントが含まれており、それらは LICENSE.txt ファイルにリストされていると述べています（ただし、提供されたリポジトリメタデータは、この分析では個別の LICENSE ファイルが見つからなかったことを示しています）。README には、暗号化ソフトウェア、特に暗号化 PDF ファイルに使用される Bouncy Castle ライブラリが配布に含まれていることを述べる輸出管理セクションがあります。このソフトウェアは ECCN 5D002.C.1 に分類され、TSU 例外の下での輸出が認められています。README はユーザーに、暗号化ソフトウェアに関する自国の法律を確認するよう助言しています。

コミュニティと課題追跡

プロジェクトは、ユーザー（user@tika.apache.org）と開発者（dev@tika.apache.org）のメーリングリストを維持しています。購読は {list}-subscribe@tika.apache.org にメッセージを送信することで行います。課題追跡システムは Apache JIRA（issues.apache.org/jira/browse/TIKA）でホストされています。セキュリティ問題は SECURITY.md と Tika セキュリティページに従って処理されます。README は応答時間、貢献者の数、またはリリース頻度に関する統計を提供していません。

編集部の結論

Apache Tikaは、PDFやOffice文書を検索・RAG向けの入力へ変換したいJava開発者とデータ基盤向けです。まずJava 17でtika-appのzipを展開し、隣接するlibを含む場所から `java -jar tika-app-<version>.jar document.pdf`、`--text`、`-J` の出力を同じ入力で比較してください。ソースビルドでは `./mvnw clean install` と `./mvnw artifact:check-buildplan` を実行し、Dockerを使う統合テスト、4.xのJSON設定、TikaInputStream、名前空間付きメタデータへの移行点を既存パイプラインで確認する必要があります。

公式情報源

1. Official documentation
2. Official README
3. Project repository