Extrahieren Sie Text und Metadaten aus allen Ihren Dateien
Ein Service zur Inhaltsextraktion, angetrieben von Apache Tika, installiert und gewartet von DINAO. PDF, Office, Bilder… Ihre Dokumente werden auf unseren französischen Servern analysiert, nirgendwo sonst.
Was ist Apache Tika?
Apache Tika ist ein Toolkit, das Metadaten und strukturierten Text aus mehr als tausend Dateitypen (PPT, XLS, PDF, E-Mails, Bilder, Archive…) erkennt und extrahiert. Alle diese Formate werden über eine einzige Schnittstelle analysiert, was Tika wertvoll macht für die Indexierung durch Suchmaschinen, die Inhaltsanalyse oder die Datenvorbereitung.
Geschrieben in Java und unterstützt von der Apache Foundation, bietet Tika nicht nur eine Bibliothek, sondern auch Server- und Command-Line-Editionen, die aus anderen Sprachen heraus genutzt werden können. Der Servermodus stellt eine REST-API bereit, die einfach in Python-, PHP-, Node- oder Java-Pipelines integriert werden kann.
Über die Extraktion hinaus bietet Tika die Spracherkennung, die Extraktion standardisierter Metadaten und über Tesseract die OCR für Bilder und gescannte Dokumente — eine ideale Grundlage für die Volltextindexierung und die Versorgung von RAG-Systemen.
Hosten Sie Apache Tika bei DINAO
Ressourcenstufen kompatibel mit den Anforderungen von Apache Tika (min. 1 vCPU / 512 Mo / 2 Go). In Frankreich gehostet, vollständig gemanagt.
- 1 dedizierte vCPUs
- 2 Go RAM
- 20 GB NVMe
- Tägliche Backups
- Gemanagt & überwacht von DINAO
- 2 dedizierte vCPUs
- 4 Go RAM
- 40 GB NVMe
- Tägliche Backups
- Gemanagt & überwacht von DINAO
- 4 dedizierte vCPUs
- 8 Go RAM
- 80 GB NVMe
- Tägliche Backups
- Gemanagt & überwacht von DINAO
- 8 dedizierte vCPUs
- 16 Go RAM
- 160 GB NVMe
- Tägliche Backups
- Gemanagt & überwacht von DINAO
Technische Details
Sie fragen sich…
Welche Formate kann Tika verarbeiten?
Über tausend: PDF, Office-Dokumente (Word, Excel, PowerPoint), E-Mails, Web-Formate, Bilder, Archive… alles über eine einzige Schnittstelle zur Text- und Metadatenextraktion.
Kann Tika gescannte Dokumente lesen?
Ja, mit aktivierter OCR (Tesseract): Tika extrahiert Text aus gescannten PDFs und Bildern. Diese Option ist je nach gewähltem Tarif verfügbar.
Wo werden die Daten gehostet?
Auf der DINAO-Infrastruktur in Frankreich, in einem der verfügbaren Rechenzentren. Ihre Dokumente werden vor Ort analysiert und verlassen das Hoheitsgebiet nicht.
Sind technische Kenntnisse erforderlich?
Um die API in Ihre Pipelines zu integrieren, ja: Tika ist ein Extraktionsservice für Anwendungen. DINAO übernimmt die Installation, den Serverbetrieb, die Sicherheit und Updates.
Werden meine Dokumente nach der Extraktion aufbewahrt?
Standardmäßig nein: Tika extrahiert den Inhalt in Echtzeit und speichert Ihre Dateien nicht dauerhaft. Die ggf. erforderliche Aufbewahrungsfrist wird mit Ihnen vereinbart.
