从Java的Office和PDF文件中提取文本

Question

我有.pdf，ppt，pptx，xls，xlsx，doc和.docx文件List<File> ，现在想在此文件中查找电子邮件地址。 我的问题是如何从那些文件中提取计划Text智能。 当前，我正在使用Apache POI，并且对于每种类型的File我都有一个单独的方法，这样做是否更短，更优雅？ 也许还有可能​​同时处理.odt，.odp，.ods文件吗？ 如何将.pdf，ppt，pptx，xls，xlsx，doc和.docx文件中的计划文本转换为字符串？

Answer 1

如果Apache库可以将文件转换为文本，则可以在结果文本中进行正则表达式搜索 。 如果可以使用其他Java库，则可以直接在原始文档中搜索，或者至少首先将它们转换为纯文本。

我正在工作的公司有一些针对其中两种格式的库。 使用Gnostice XtremeDocumentStudio（用于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（用于Java）库，您可以使用正则表达式 （另一个正则表达式，为电子邮件地址创建的正则表达式，直接在上面给出链接）直接在PDF中执行搜索 。 该库仅适用于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);

Answer 2

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