使用 Apache Tika 从文档中提取文本数据答案

【问题标题】：Extract Text Data from Document using Apache Tika使用 Apache Tika 从文档中提取文本数据
【发布时间】：2015-07-07 16:57:46
【问题描述】：

我正在寻找一种从文档中提取文本数据的工具。具体来说，我希望能够从发票中提取元数据，例如发票编号、供应商名称、发票日期、到期日期、到期金额等。由于收到的发票来自我的供应商，我列出的元数据将位于不同的位置文档的区域。我一直无法确定 Tika 是否可以在文档中搜索关键字（例如 INVOICE）然后提取发票编号。我希望能够提取这些数据，然后将文档和元数据推送到 SharePoint 或 Alfresco 等文档管理系统。有没有人有 Tika 的经验，你知道这是否可能吗？

【问题讨论】：

用 Tika 提取所有文本，然后搜索你想要的字段/模式。

标签： apache-tika data-extraction

【解决方案1】：

您可以使用 ephesoft 和 alfresco。

使用 ephesoft ：您可以提取数据。
使用 alfresco ：您可以将提取的数据与文档一起存储。
与 Tika 相比，它很好。

观看下方。
https://www.youtube.com/watch?v=soV-9GGhuBg

【讨论】：

嗨 Krutik，我已经建立了 Ephesoft 社区并将其连接到 Alfresco。我们遇到的问题是社区版很难使用，并且设置提取文档很麻烦。我正在寻找其他选择，但最初 Ephesoft 是我的第一选择。
F_puras，如果我提取所有文本，您认为是否可以搜索关键词然后提取，例如根据正则表达式提取发票编号？
是的，有可能。我猜 ephesoft 有很多 OCR 选项和更多功能。

【解决方案2】：

可能晚了，但对其他访问者了解 Algodocs 很有用，Algodocs 还提供永久免费订阅：https://algodocs.com。 Algodocs 提供一体化解决方案，即您可以根据需要提取特定字段或从数百页的图像或 PDF 文件中提取表格行。

【讨论】：