Apache Any23 2.7 介绍与选型指南

系统介绍 Apache Any23 2.7 的 RDF 抽取定位、模块与 CLI 工具族、官方 rover 快速上手示例，明确其 2023 年退役进入 Apache Attic 的项目状态，并给出 Tika/Jena/RDFLib 替代选型（查询日期 2026-10-18，联网查证）。

Apache Any23Any23Java知识图谱2026/10/18

Apache Any23 2.7 介绍与选型指南

目标：讲清 Apache Any23 2.7 是什么——它如何把网页与文档抽取为 RDF 三元组、CLI/RDF 库/REST 服务三种使用形态如何工作，并给出与 Apache Tika、Apache Jena、RDFLib 等抽取/语义工具的选型对比；同时明确该项目的退役状态对选型的影响。本文为认知篇，全部内容基于官方文档、Apache Attic 公告与 Maven Central 联网查证（查询日期 2026-10-18），不做本地安装实测。

一、信息基准

二、软件概述

2.1 版本与定位

Apache Any23 2.7（Anything To Triples）是该项目的最后一个正式发布版：一个把各类 Web 文档中的结构化数据抽取为 RDF 格式的软件，同时以 Java 库、命令行工具和 Web 服务三种形态提供（来源：https://any23.apache.org/ 首页「Anything To Triples (any23) is a library, a web service and a command line tool that extracts structured data in RDF format from a variety of Web documents」，查询日期 2026-10-18）。

支持的输入格式（来源：官方首页列表，查询日期 2026-10-18）：

  • RDF 原生格式：RDF/XML、Turtle、Notation 3；
  • HTML 内嵌数据：RDFa（含 RDFa 1.1 前缀机制）、Microformats1/2（hAdr、hCard、hCalendar、hEntry、hEvent、hGeo、hItem、hListing、hProduct、hResume、hReview、XFN 等）、HTML5 Microdata（如 Schema.org）；
  • 其他：JSON-LD、CSV（分隔符自动探测）、YAML；
  • 词表：Dublin Core、FOAF、DOAP、GeoNames、iCAL、Open Graph Protocol、schema.org、vCard 等；
  • 2.1 起还可经 Open Information Extraction（Open IE）系统从纯文本句子中抽取三元组。

一句话概括：Any23 是「网页结构化数据的 RDF 化网关」——爬虫/知识图谱管道把 HTML 页面喂给它，得到可入库的标准三元组。

2.2 许可与项目状态

  • 许可证：Apache License 2.0（来源：https://any23.apache.org/download.html 「Apache Any23 is distributed under the Apache License, version 2.0」，查询日期 2026-10-18）。
  • 项目状态：已退役（Attic）。2023-06 ASF 董事会决议退役、2023-10 完成 Attic 迁移（来源：attic.apache.org/projects/any23.html，查询日期 2026-10-18）；官网与文档存档保留，但不再有缺陷修复与安全更新；GitHub 上的仓库只读。
  • 维护记录：2.7 之后无任何新版本；Maven Central 元数据 lastUpdated 停在 2022-03-03（来源：repo1.maven.org 元数据，查询日期 2026-10-18）。

2.3 分发形态与模块

官方分发（来源：https://any23.apache.org/download.html ，查询日期 2026-10-18）：

  • 源码包：apache-any23-2.7-src.tar.gz / .zip（附 ASCII 签名与 SHA512 校验）；
  • CLI 二进制包：apache-any23-cli-2.7.tar.gz / .zip；
  • Maven 依赖：org.apache.any23:apache-any23-core:2.7（官方文档示例原样）；
  • 插件与 WAR 服务自 2.4/2.2 起不再随官方发布分发（因 Open IE 模块使构件膨胀到约 1GB，官方建议按需自行从源码构建，来源同页说明）。

模块划分（来源：https://any23.apache.org/getting-started.html ，查询日期 2026-10-18）：api/（基础 API 定义）、core/（核心抽取库）、cli/（命令行）、csvutils/、encoding/（字符集探测）、mime/（媒体类型探测）、service/（REST 服务）、plugins/（插件）、openie/（Open IE 抽取）。

三、核心概念与工作方式

本章概念引自官方首页与入门文档（查询日期 2026-10-18）。

3.1 抽取器（Extractor）体系

Any23 的核心是注册式抽取器：每类输入格式对应一组 ExtractorFactory，按 MIME 类型与权重（q 值）匹配。官方 extractor --list 输出展示其命名规律：html-mf-hcard（Microformats hCard）、html-microdata（HTML5 Microdata）、html-rdfa11（RDFa 1.1）、html-embedded-jsonld（内嵌 JSON-LD）、csv（CSV）等（来源：https://any23.apache.org/getting-started.html 示例输出，查询日期 2026-10-18；完整清单见 https://any23.apache.org/extractors.html ）。

3.2 三种使用形态

  • 库（Library）：Java 应用引入 apache-any23-core，以 API 方式消费网页结构化数据；
  • CLI：cli 模块提供的 any23 脚本（位于 cli/target/appassembler/bin/，Unix/Windows 双端），承载分析、文档、测试与调试工具（来源：getting-started.html，查询日期 2026-10-18）；
  • REST 服务：service 模块提供 RESTful Web 服务形态（历史上还曾提供 any23.org 在线服务，来源：官方首页，查询日期 2026-10-18）。

3.3 CLI 工具族

官方文档列出的 any23 命令族（来源：https://any23.apache.org/getting-started.html ，查询日期 2026-10-18）：

命令用途
rover主抽取工具：从本地/远程资源抽取 RDF，可指定抽取器、输出格式、过滤琐碎语句、输出统计
extractor查询抽取器文档：--list 列出全部、-a 全量报告、-i 示例输入、-o 示例输出
microdata从文件/HTTP 源抽取 Microdata，输出符合 Microdata 规范的 JSON
mimes对 HTTP/文件/内联输入做 MIME 类型探测
vocab输出 Any23 用到的 RDF Schema 词表（默认 N-Quads 格式）
verify插件目录管理校验

四、功能特性

  • 多格式统一抽取：RDFa、Microformats1/2、Microdata、JSON-LD、RDF/XML、Turtle、N3、CSV、YAML 一套管道输出 RDF（来源：官方首页格式清单，查询日期 2026-10-18）。
  • 词表覆盖广：内置 FOAF、DOAP、Dublin Core、schema.org、Open Graph 等常用词表的抽取支持（来源同上）。
  • Rover 主工具：支持 -f（默认 TURTLE，可选 quad 等格式）、-t 过滤琐碎语句（CSS 链接等 head 信息）、-s 输出统计、-e 指定抽取器子集、-p 修复常见 HTML 问题（来源：getting-started.html Rover 一节，查询日期 2026-10-18）。
  • 嵌套三元组控制：-n 选项禁用嵌套三元组的产生（来源同上）。
  • Open IE 文本抽取：2.1 起支持对纯文本做开放信息抽取生成三元组（来源：官方首页，查询日期 2026-10-18）。
  • 可校验分发：发布物附 PGP 签名与 SHA512 校验（来源：download.html，查询日期 2026-10-18）。
  • 注意：以上能力自 2.7（2022-02）后冻结——项目已退役，不再有功能演进与安全修复（来源：attic.apache.org/projects/any23.html，查询日期 2026-10-18）。

五、快速上手（引自官方文档）

以下命令与说明逐字引自官方入门文档（来源：https://any23.apache.org/getting-started.html ，查询日期 2026-10-18）。

获取 CLI（来源：https://any23.apache.org/download.html ，查询日期 2026-10-18）：下载 apache-any23-cli-2.7.tar.gz 并解压，即可使用其中的 any23 脚本（官方入门文档指出脚本位于构建目录 cli/target/appassembler/bin/，Unix 与 Windows 均有对应脚本）。直接运行不带参数的 any23 会显示用法：

$ cli/target/appassembler/bin/any23

A command must be specified.
Usage: any23 [options] [command] [command options]

Rover 主抽取工具的官方示例：

# 从 HTML 页面抽取元数据：
cli$ any23 rover http://yourdomain/yourfile

# 从本地资源抽取：
cli$ any23 rover myfoaf.rdf

# 指定输出格式（默认 TURTLE），-f/--format：
cli$ any23 rover -f quad myfoaf.rdf

# 过滤琐碎语句（默认会抽取 HTML/head 的 meta 信息，如 CSS 链接、作者等；
# 只关心 body 结构化内容时用 -t）：
core$ any23 rover -t -f quad myfoaf.rdf

查看可用抽取器（官方示例输出节选）：

cli$ any23 extractor --list
                      csv [org.apache.any23.extractor.csv.CSVExtractorFactory] [text/csv;q=0.1]
     html-embedded-jsonld [org.apache.any23.extractor.html.EmbeddedJSONLDExtractorFactory] [text/html;q=0.02, application/xhtml+xml;q=0.02]
           html-mf-hcard [org.apache.any23.extractor.html.HCardExtractorFactory] [text/html;q=0.1, application/xhtml+xml;q=0.1]
         html-microdata [org.apache.any23.extractor.microdata.MicrodataExtractorFactory] [text/html;q=0.1, application/xhtml+xml;q=0.1]
              html-rdfa11 [org.apache.any23.extractor.rdf.RDFa11ExtractorFactory] [text/html;q=0.1, application/xhtml+xml;q=0.1]

Maven 依赖方式（官方文档原样片段，来源：download.html）：

<dependency>
  <groupId>org.apache.any23</groupId>
  <artifactId>apache-any23-core</artifactId>
  <version>2.7</version>
</dependency>

说明：本文为认知篇，以上为官方文档原文示例，未做本地复跑；本地安装步骤示例见本专栏《Ubuntu 22.04 安装 Apache Any23 指南》。

六、适用场景与限制

6.1 适用场景（历史与存量）

  • 老语义网管道维护：以 Any23 作为网页 → RDF 的抽取环节的存量系统，可继续使用 2.7 及其 Maven 构件，但需自行承担安全风险。
  • 离线批量转换：对存量 HTML/RDFa/Microdata 文档做一次性 RDF 化搬运。
  • 教学与研究：作为「多格式结构化数据 → 三元组」的教学示例与对比基线。

6.2 限制与注意事项

  • 项目已退役是最大限制：2023-06 退役、2023-10 完成 Attic 迁移（来源：attic.apache.org，查询日期 2026-10-18），无安全修复、无依赖升级；用于互联网内容解析时应评估其依赖树（HTML 解析等）的已知漏洞面。
  • 新项目不建议选型：语义化抽取需求应转向活跃维护的替代品（见第七章）。
  • WAR/插件不再随版分发：2.4 起插件、2.2 起 WAR 均需自行从源码构建（来源：download.html 说明，查询日期 2026-10-18）。
  • 在线服务（any23.org）形态依赖外部部署，退役后官方不再运营。

七、同类选型对比

对比对象：Apache Tika（元数据与文本抽取）、Apache Jena（RDF 框架全家桶）、RDFLib（Python RDF 库）。数据来源：GitHub 仓库页与 Releases（github.com，查询日期 2026-10-18）、Apache 项目 DOAP（projects.apache.org，查询日期 2026-10-18）、Maven Central（repo1.maven.org，查询日期 2026-10-18）。

维度Apache Any23 2.7Apache TikaApache JenaRDFLib
许可证Apache-2.0Apache-2.0（ASF DOAP）Apache-2.0（ASF DOAP）BSD-3-Clause（仓库 LICENSE 实查）
语言/形态Java：库 + CLI + RESTJava：库 + CLI + 服务Java：框架全家桶Python：库
核心能力网页结构化数据 → RDF 三元组全格式内容/元数据抽取（文本为主，非 RDF 本体化）RDF 存储/SPARQL/推理/一致性校验RDF 图模型、解析/序列化、SPARQL
RDF 语义核心卖点（RDFa/MF/MD 专精）弱（不做语义建模）强（标准 RDF 实现之一）强（Python 生态标准）
项目状态已退役（Attic，2023-10 完成，无新版本）活跃：4.1.0 与 3.3.3 并行发布（官网 download 页实查，2026-10-18）活跃（ASF DOAP 持续更新，2026-10-18）活跃：7.6.0（2026-02-13，GitHub Releases 实查）
社区活跃度GitHub stars 98（仓库只读，2026-10-18）GitHub stars 4099GitHub stars 1474GitHub stars 2532
版本节奏冻结于 2.7（2022-02）双线常规发版常规发版年度大版本 + 补丁
兼容矩阵Java 8 时代依赖树Java 8/11+ 视版本Java 11+（视版本）Python 3.8+（视版本）

选型建议一句话：Any23 仅适合存量系统维护；新项目若要「抽取」能力选 Apache Tika（文本/元数据），若要「RDF 建模与查询」选 Apache Jena（JVM 栈）或 RDFLib（Python 栈），两者组合可覆盖 Any23 的大部分历史用途。

八、参考链接

  1. Apache Any23 项目站点（存档）：https://any23.apache.org/
  2. 官方下载页（2.7 发布物与 Maven 坐标）：https://any23.apache.org/download.html
  3. 入门文档（CLI 示例来源）：https://any23.apache.org/getting-started.html
  4. 提取器清单：https://any23.apache.org/extractors.html
  5. Apache Attic 项目页（退役信息）：https://attic.apache.org/projects/any23.html
  6. Maven Central 元数据：https://repo1.maven.org/maven2/org/apache/any23/apache-any23-core/maven-metadata.xml
  7. GitHub 上的仓库（只读归档）：https://github.com/apache/any23