使用 Apache POI 从 Ruby on Rails Web 应用程序中的 MS Word (.doc) 文件中提取文本答案

【问题标题】：Extract text from MS Word (.doc) file in Ruby on Rails web app using Apache POI使用 Apache POI 从 Ruby on Rails Web 应用程序中的 MS Word (.doc) 文件中提取文本
【发布时间】：2015-04-16 13:36:06
【问题描述】：

我浏览了 APACHE POI 项目，发现它对于从 MS Word 文件中提取文本内容很有用。具体来说，POI 中有一个名为Text Extraction 的功能可以有效地完成这项工作。我还听说过 Apache Tika 在内部使用 Apache POI。

现在，我们在 Rails 网络应用程序中要求从单词 (.doc) 文件中提取文本内容。我们可以将Apache POI / Apache Tika 集成到我的网络应用程序中以达到我的目的的可能性有哪些？

如果有人对此有相关经验，我很想听听它以及代码 sn-ps。

【问题讨论】：

为什么要关闭投票？这个问题非常技术性和具体性。我不知道如何在 Rails 项目中使用它，那么有什么更好的方法来询问它？
您查看过 Ruby 绑定的 POI 文档吗？ poi.apache.org/poi-ruby.html
这个问题非常广泛，很难给出明确的答案。即使每个人都会“分享自己的经验”，也很难选择一个正确的答案，因为你没有提供这样做的客观标准。问题表明研究工作很少 - 可能您应该从阅读文档开始，搜索相关绑定（如@NickVeys 建议的那样），如果您偶然发现一些特定的东西，那么欢迎您提出。

标签： ruby-on-rails ruby apache apache-poi doc

【解决方案1】：

由于您没有在 JVM 上运行，因此最好的选择是使用 Apache Tika JAXRS server，可从 Apache Tika download page 获得。这提供了 RESTful 接口，让 Tika 从您的文件中提取文本（和元数据）。

因为它是一个独立的服务器，所以您只需启动 JVM 一次，然后它就会在那里并且可用于您发送的每个请求，从而加快处理速度。要获取纯文本，请将您的文档发送到 http://localhost:9998/tika，并带有 Accept: text/plain 的 HTTP 请求标头，您将获得纯文本。

您可以在 Tika Wiki 上找到有关服务器可用 RESTful 端点的更多信息，或者只需启动服务器 (java -jar tika-server-1.X.jar) 并在 Web 浏览器中转到 http://localhost:9998/

【讨论】：

有什么办法可以将word文件内容转换成一模一样的HTML？
对于非常相似的 HTML，设置接受 text/html 而不是 text/plain。完全一样，你需要一个 Microsoft Office 的宠物副本，即使那还有一段路要走......
是否需要 JRuby？还是 Ruby 1.9 就够了？
它根本不使用 ruby - Tika 在单独的 Java JVM 中运行。然后你用你最喜欢的 HTTP 库从 ruby 调用它