用Java从Office和PDF文件中提取文本

Question

我有一个列表。pdf，ppt，pptx，xls，xlsx，doc和。docx文件列表 ，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地提取计划文本。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，是否有一个更短、更优雅的位置来做这件事？也许还可以处理。ODT、.ODP、.ODS文件？如何从。pdf,ppt,pptx,xls,xlsx,doc和.docx文件中获取te计划文本到字符串中？

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执行regex搜索。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。

我工作的公司有几个库用于其中两种格式。使用Gnostice XtremeDocumentStudio（for Java）库，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，您可以使用regex（另一个regex，一个为电子邮件地址创建的regex，上面给出了链接）直接在PDF中执行搜索。这个库只适用于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);