开源 Java 文本解析器

Posted 2023-02-24

【中文标题】开源 Java 文本解析器

【英文标题】：Open Source Java Text Parsers

【发布时间】：2011-06-22 17:48:11

【问题描述】：

是否有一个单一 Java 文本解析器也可用于解析 Office（Windows）文档、OpenOffice 文档和 PDF？否则我是否需要为 Word 文档使用 Apache POI 以及为 OpenOffice 和 PDF 使用其他库？如果是，那么 OpenOffice 和 PDF 的最佳选择是什么？

【参考方案1】：

Apache Tika:

Apache Tika™ 工具包检测并 提取元数据和结构化文本 来自各种文档的内容使用 现有的解析器库。

不确定这是否符合您的目的“单身”。

【讨论】：

提取元数据是什么意思？这与从文档中提取文本正文是否相同？除此之外，这看起来不错。

+1。我用过。它似乎完成了这项工作。稍有不足​​的是，由于它使用了许多现有的库，因此需要一堆 jar。

【参考方案2】：

如果任务是阅读 PDF 文档，iText 是您的最佳选择。 对于基于 Microsoft Office 和 OpenOffice (LibreOffice) 的文档，POI 将是我的解决方案。

【讨论】：

它是免费的，你应该发布使用itex api的应用程序的源代码。来自该网站的俏皮话.. “一旦您开发涉及 iText 软件的商业活动而不披露您自己的应用程序的源代码，就必须购买这样的许可证。”itextpdf.com/terms-of-use/index.php

POI 无法读取基于 OpenOffice (LibreOffice) 的文档，AFAIK。 PDF Box 是 Apache 的替代品，可以阅读 PDF 文档。