Apache Tika

https://tika.apache.org/

Kit de ferramentas da Apache Software Foundation para detectar formatos e extrair metadados e texto de mais de mil tipos de arquivo.

Funcionalidades

• Detecção de formatos de arquivo.
• Extração de metadados.
• Extração de texto de documentos, apresentações, planilhas e PDFs.
• Uso como biblioteca Java, aplicação de linha de comando ou servidor.
• Saída em texto, Markdown e JSON estruturado.

Observações

• Custo: gratuito.
• Instalação: programa para computador (Java 17 ou superior na versão 4.x).
• Conhecimento técnico: uso do terminal.
• Licença: Apache 2.0.