开源 Java 文本解析器答案

【问题标题】：Open Source Java Text Parsers开源 Java 文本解析器
【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？

【问题讨论】：

标签： java pdf ms-office openoffice.org text-parsing

【解决方案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。

【解决方案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。