Apache Tika একটি শক্তিশালী টুল যা বিভিন্ন ফাইল ফরম্যাট থেকে টেক্সট এবং মেটাডেটা এক্সট্র্যাক্ট করার জন্য ব্যবহৃত হয়। Tika REST API এর মাধ্যমে আপনি সরাসরি HTTP রিকোয়েস্টের মাধ্যমে ফাইল প্যার্সিং এবং টেক্সট এক্সট্র্যাকশন করতে পারেন, যা বিশেষভাবে ওয়েব অ্যাপ্লিকেশন এবং মাইক্রোসার্ভিস আর্কিটেকচারের জন্য উপযোগী।
Tika REST API একটি সার্ভিসের মতো কাজ করে, যা আপনার ফাইল বা ডকুমেন্টের কন্টেন্ট এবং মেটাডেটা এক্সট্র্যাক্ট করার জন্য HTTP রিকোয়েস্টের মাধ্যমে কাজ করে। এই RESTful API টি মূলত Tika Server হিসেবে কাজ করে এবং বিভিন্ন ফাইল ফরম্যাট যেমন PDF, Word, Excel, HTML, XML ইত্যাদি থেকে ডেটা এক্সট্র্যাক্ট করার সুবিধা দেয়।
১. Tika REST API কী?
Tika REST API হল Apache Tika এর একটি সার্ভার-ভিত্তিক ইন্টারফেস যা আপনাকে HTTP রিকোয়েস্টের মাধ্যমে ফাইল থেকে টেক্সট এবং মেটাডেটা এক্সট্র্যাক্ট করতে সাহায্য করে। এই API ব্যবহার করে আপনি ফাইলের কন্টেন্ট থেকে টেক্সট এবং মেটাডেটা রিট্রিভ করতে পারেন, যেটি বিভিন্ন ওয়েব অ্যাপ্লিকেশন, ডেটা প্রসেসিং সিস্টেম বা সার্চ ইঞ্জিনে ব্যবহার করা যেতে পারে।
REST API এর মূল ফিচারসমূহ:
- টেক্সট এক্সট্র্যাকশন: ফাইল থেকে টেক্সট এক্সট্র্যাক্ট করার জন্য HTTP রিকোয়েস্ট পাঠানো।
- মেটাডেটা এক্সট্র্যাকশন: ফাইলের মেটাডেটা যেমন লেখক, শিরোনাম, তৈরি হওয়ার তারিখ ইত্যাদি এক্সট্র্যাক্ট করা।
- ফাইল ফরম্যাট সাপোর্ট: PDF, Word, Excel, HTML, এবং অন্যান্য ফাইল ফরম্যাটের কন্টেন্ট এক্সট্র্যাক্ট করা।
- বহুভাষী সমর্থন: বিভিন্ন ভাষার ডকুমেন্টের টেক্সট এক্সট্র্যাক্ট করা।
২. Tika REST API কিভাবে কাজ করে?
Tika REST API একটি HTTP সার্ভার হিসেবে কাজ করে যা GET বা POST রিকোয়েস্ট গ্রহণ করে এবং প্যারামিটার হিসেবে ফাইল পাঠিয়ে সেই ফাইলের টেক্সট বা মেটাডেটা রিটার্ন করে। আপনি HTTP রিকোয়েস্টে ফাইল পাঠান এবং API সেই ফাইলটি প্রসেস করে রেসপন্স প্রদান করে। এটি সার্ভারে Apache Tika এর সার্ভিস চালু থাকলে ব্যবহার করা যায়।
Tika Server Setup:
Tika REST API ব্যবহার করার জন্য প্রথমে Tika সার্ভার চালু করতে হয়। আপনি Apache Tika Server JAR ফাইল ডাউনলোড করে এটি চালু করতে পারেন।
Tika Server চালু করার কমান্ড:
java -jar tika-server-x.x.x.jar
এটি Tika Server চালু করবে এবং http://localhost:9998 এ আপনার সার্ভিসটি রান করবে।
৩. Tika REST API এর মাধ্যমে ফাইল প্যার্সিং
1. টেক্সট এক্সট্র্যাকশন (Text Extraction)
Tika REST API ব্যবহার করে যেকোনো ফাইল থেকে টেক্সট এক্সট্র্যাক্ট করার জন্য HTTP POST রিকোয়েস্ট পাঠানো হয়।
POST রিকোয়েস্ট:
curl -X POST -T "example.pdf" http://localhost:9998/tika
এটি example.pdf ফাইলের সমস্ত টেক্সট এক্সট্র্যাক্ট করে এবং রেসপন্সে প্রদান করবে।
2. মেটাডেটা এক্সট্র্যাকশন (Metadata Extraction)
মেটাডেটা এক্সট্র্যাক্ট করতে, Tika REST API এ metadata রুট ব্যবহার করা হয়।
POST রিকোয়েস্ট:
curl -X POST -T "example.pdf" http://localhost:9998/meta
এই কমান্ডটি example.pdf ফাইলের মেটাডেটা এক্সট্র্যাক্ট করবে এবং সেটি JSON ফরম্যাটে প্রদান করবে, যার মধ্যে লেখক, শিরোনাম, প্রকাশের তারিখ, ইত্যাদি থাকবে।
3. ফাইল টাইপ ডিটেকশন (File Type Detection)
Tika REST API এর মাধ্যমে ফাইলের MIME টাইপ শনাক্ত করার জন্য detect রুট ব্যবহার করা হয়।
POST রিকোয়েস্ট:
curl -X POST -T "example.pdf" http://localhost:9998/detect
এটি ফাইলের MIME টাইপ যেমন application/pdf রিটার্ন করবে।
৪. Tika REST API এর JSON রেসপন্স
Tika REST API থেকে আসা রেসপন্স সাধারণত JSON ফরম্যাটে হয়। নিচে একটি উদাহরণ দেওয়া হলো, যেখানে PDF ফাইলের মেটাডেটা এক্সট্র্যাক্ট করা হচ্ছে।
মেটাডেটা এক্সট্র্যাক্ট করা (JSON রেসপন্স):
{
"Author": "John Doe",
"Title": "Sample PDF Document",
"Producer": "Apache Tika",
"Creation-Date": "2022-01-01T10:00:00Z",
"Content-Type": "application/pdf"
}
টেক্সট এক্সট্র্যাক্ট করা (JSON রেসপন্স):
{
"content": "This is a sample PDF document to demonstrate Apache Tika's text extraction capabilities..."
}
৫. Tika REST API এর অন্যান্য ব্যবহার
- ফাইল ফরম্যাট সনাক্তকরণ (File Format Detection): ফাইলের MIME টাইপ এবং ফরম্যাট সনাক্ত করা।
- বহু ফাইল একসাথে এক্সট্র্যাকশন (Batch Processing): একাধিক ফাইল একসাথে প্রসেস করা এবং তাদের টেক্সট বা মেটাডেটা একসাথে এক্সট্র্যাক্ট করা।
- ভাষা শনাক্তকরণ (Language Detection): Tika এর মাধ্যমে ডকুমেন্টের ভাষা শনাক্ত করা যায়, যা বিভিন্ন ভাষার কন্টেন্ট ম্যানেজমেন্ট এবং সার্চ ইঞ্জিনে ব্যবহৃত হতে পারে।
৬. সারাংশ
Tika REST API একটি শক্তিশালী টুল যা HTTP রিকোয়েস্টের মাধ্যমে বিভিন্ন ফাইল ফরম্যাট থেকে টেক্সট এবং মেটাডেটা এক্সট্র্যাক্ট করতে সহায়তা করে। এটি সার্ভার ভিত্তিক এবং সহজে ওয়েব অ্যাপ্লিকেশন বা মাইক্রোসার্ভিস আর্কিটেকচারে ইন্টিগ্রেট করা যেতে পারে। Tika REST API এর মাধ্যমে আপনি একাধিক ফাইল ফরম্যাট থেকে দ্রুত এবং কার্যকরীভাবে কন্টেন্ট এক্সট্র্যাক্ট করতে পারেন, যা ডেটা সঞ্চয়, সার্চ ইঞ্জিন ইন্ডেক্সিং এবং কন্টেন্ট অ্যানালাইসিসে ব্যবহৃত হতে পারে।
Read more
