用 Java 从 Office 和 PDF 文件中提取文本答案

【问题标题】：Extract text from Office and PDF files in Java用 Java 从 Office 和 PDF 文件中提取文本
【发布时间】：2015-12-07 19:20:03
【问题描述】：

我有一个 .pdf、ppt、pptx、xls、xlsx、doc 和 .docx 文件列表List<File>，现在想在这些文件中查找电子邮件地址。我的问题是如何从这些文件中智能提取计划文本。目前我正在使用 Apache POI，并且我对每种类型的文件都有一个方法，这样做是否有更短、更优雅的可能性？也许还可以处理 .odt、.odp、.ods 文件？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？

【问题讨论】：

你试过Apache Tika吗？

标签： java excel pdf ms-office apache-tika

【解决方案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添加 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。

我工作的公司有一些用于其中两种格式的库。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，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);

【讨论】：

【解决方案2】：

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

【讨论】：