Question

我有.pdf，ppt，pptx，xls，xlsx，doc和.docx文件List<File>的列表，现在想要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提取计划文本智能。目前我正在使用Apache POI，我对每种类型的文件都有一个单一的方法是否有更短，更优雅的可能性这样做？也许还有一个可能性来处理.odt，.odp，.ods文件？如何将.pdf，ppt，pptx，xls，xlsx，doc和.docx文件中的文本计划成字符串？

Answer 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。

我正在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);

Answer 2

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

用Java从Office和PDF文件中提取文本

2 个答案: