從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> ，現在想在此文件中查找電子郵件地址。 我的問題是如何從那些文件中提取計划Text智能。 當前，我正在使用Apache POI，並且對於每種類型的File我都有一個單獨的方法，這樣做是否更短，更優雅？ 也許還有可能​​同時處理.odt，.odp，.ods文件嗎？ 如何將.pdf，ppt，pptx，xls，xlsx，doc和.docx文件中的計划文本轉換為字符串？

Answer 1

如果Apache庫可以將文件轉換為文本，則可以在結果文本中進行正則表達式搜索 。 如果可以使用其他Java庫，則可以直接在原始文檔中搜索，或者至少首先將它們轉換為純文本。

我正在工作的公司有一些針對其中兩種格式的庫。 使用Gnostice XtremeDocumentStudio（用於Java）庫，您可以將PDF和DOCX文件轉換為純文本。

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

使用Gnostice PDFOne（用於Java）庫，您可以使用正則表達式 （另一個正則表達式，為電子郵件地址創建的正則表達式，直接在上面給出鏈接）直接在PDF中執行搜索 。 該庫僅適用於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

您嘗試過JOffice嗎？ 它支持OpenOffice文檔格式（.odt，.ods）以及Microsoft Office文檔格式。