用Java从Office和PDF文件中提取文本

2 回答

• 1

  如果Apache库可以将文件转换为文本，那么您可以在结果文本中执行regex search . 如果您可以使用其他Java库，那么您可以直接在原始文档中搜索，或者至少先将它们转换为纯文本 .

  我工作的公司有两个这些格式的库 . 使用Gnostice XtremeDocumentStudio（for Java）库，您可以将PDF和DOCX文件转换为纯文本 .

  DocumentConverter dc = new DocumentConverter();
  dc.convertToFile("sample.pdf", "sample-pdf.txt");
  dc.convertToFile("sample.docx", "sample-docx.txt");
  

  使用Gnostice PDFOne（for Java）库，您可以直接执行search in the PDF using a regex（另一个正则表达式，为电子邮件地址创建的一个，上面给出的链接） . 此库仅适用于PDF文件 .

  PdfDocument doc = new PdfDocument();
  doc.load("Input_Docs\\input_doc.pdf");
  
  // Obtain all website addresses in page 2
  ArrayList lstSearchResults =
     (ArrayList) doc.search("http://{1}",  // regular expression
                            2, // page number
                            PdfSearchMode.REGEX,
                            PdfSearchOptions.NONE);
  

  回复于 2024-05-02T11:48:57+08:00
• -1

  你试过JOffice吗？它支持OpenOffice文档格式（.odt，.ods）以及Microsoft Office文档格式 .

  回复于 2024-05-02T11:48:57+08:00