Extrae texto y metadatos de todos tus archivos
Un servicio de extracción de contenido impulsado por Apache Tika, instalado y mantenido por DINAO. PDF, Office, imágenes… tus documentos se analizan en nuestros servidores franceses, no en otro lugar.
¿Qué es Apache Tika?
Apache Tika es una caja de herramientas que detecta y extrae metadatos y texto estructurado de más de mil tipos de archivos (PPT, XLS, PDF, correos electrónicos, imágenes, archivos… ). Todos estos formatos se analizan a través de una interfaz única, lo que hace que Tika sea valioso para la indexación por motores de búsqueda, el análisis de contenido o la preparación de datos.
Escrito en Java y respaldado por la fundación Apache, Tika proporciona una biblioteca, pero también ediciones de servidor y de línea de comandos utilizables desde otros lenguajes. El modo servidor expone una API REST sencilla de integrar en pipelines de Python, PHP, Node o Java.
Más allá de la extracción, Tika ofrece la detección de idioma, la extracción de metadatos normalizados y, a través de Tesseract, el OCR en imágenes y documentos escaneados: una base ideal para la indexación de texto completo y el suministro de sistemas RAG.
Aloja Apache Tika en DINAO
Niveles de recursos compatibles con los requisitos de Apache Tika (mínimo 1 vCPU / 512 Mo / 2 Go). Alojado en Francia, gestionado.
- 1 vCPU dedicados
- 2 Go de RAM
- 20 Go NVMe
- Copias de seguridad diarias
- Gestionado y supervisado por DINAO
- 2 vCPU dedicados
- 4 Go de RAM
- 40 Go NVMe
- Copias de seguridad diarias
- Gestionado y supervisado por DINAO
- 4 vCPU dedicados
- 8 Go de RAM
- 80 Go NVMe
- Copias de seguridad diarias
- Gestionado y supervisado por DINAO
- 8 vCPU dedicados
- 16 Go de RAM
- 160 Go NVMe
- Copias de seguridad diarias
- Gestionado y supervisado por DINAO
Detalles técnicos
Te preguntas…
¿Qué formatos puede procesar Tika?
Más de un millar: PDF, documentos de Office (Word, Excel, PowerPoint), correos electrónicos, formatos web, imágenes, archivos… todos a través de una interfaz única de extracción de texto y metadatos.
¿Puede Tika leer documentos escaneados?
Sí, con el OCR (Tesseract) activado: Tika extrae el texto de los PDF escaneados y de las imágenes. Esta opción está disponible según la fórmula elegida.
¿Dónde se alojan los datos?
En la infraestructura DINAO en Francia, en uno de los centros de datos disponibles. Tus documentos se analizan en el lugar y no salen del territorio.
¿Se necesitan conocimientos técnicos?
Para integrar la API en tus pipelines, sí: Tika es un servicio de extracción destinado a aplicaciones. DINAO gestiona la instalación, el servidor, la seguridad y las actualizaciones.
¿Se conservan mis documentos después de la extracción?
No por defecto: Tika extrae el contenido sobre la marcha y no almacena de forma permanente tus archivos. La retención eventual se define contigo.
