本机 Java 文档解析器和转换器库/基于 linux 的文档转换器答案

【问题标题】：Native Java document parser and converter library / linux based document converters本机 Java 文档解析器和转换器库/基于 linux 的文档转换器
【发布时间】：2011-09-05 08:10:42
【问题描述】：

我正在寻找可以执行以下操作的 Java 库：

解析 *.eml 或 *.msg 格式的电子邮件以获取 DOC、DOCX、JPEG、PNG、GIF、TXT、XLS、XLSX、PPT、PDF 类型的附件，并将附件转换为 TIFF 格式。

它可以是开源的，也可以是商业库。或者，我正在寻找用于 linux 的命令行工具来执行此操作。我们已经尝试过开放式办公，但是某些文档格式存在太多问题。

更新：

到目前为止我通过研究发现的：

对于解析电子邮件和提取附件，JavaMail (http://www.oracle.com/technetwork/java/javamail/index.html) 是一个不错的选择。

对于转换文档，JodConverter (http://code.google.com/p/jodconverter/) 是一个舒适的库。但是它只是 open office 的包装，所以如果 open office 有问题（我确实经常遇到 openoffice 问题）来转换文档，你也可以使用 JodConcerter。

总之，我没有运气（到目前为止）找到任何用本机 java 实现的文档转换库，它处理所有常见的文档格式，既不是开源的，也不是商业的。这似乎是一个真正的市场缺口。

【问题讨论】：

我知道有一些工具可以立即将图像文件转换为 TIFF，因此您可以放心使用。现在，您可以从 DOC 到 ODF 到 PDF 到 TIFF。与 XLS 和 PDF 类似。至于将这些工具串在一起......
从功能集中这个库 coolutils.com/TotalMailConverter 可以满足我的需要，不幸的是它不是 java。
我在artofsolving.com/opensource/jodconverter/adoption 找到了一些东西，但它看起来有点过时了，我会检查一下
似乎在code.google.com/p/jodconverter继续

标签： java linux parsing document converter

【解决方案1】：

RainbowPDF 可能适合：它是一个基于商业服务器的转换工具，带有 Java API。

如果您有 Windows 服务器，请查看NEEVIA Document Converter Pro。它有一些邮件功能。

APACE POI 是一个读取 Microsoft Office 文档内容的接口。您必须自己编写图像生成和布局组件。但是它会读取 Outlook MSG 格式。

【讨论】：

我查看了 RainbowPDF 试用版。昂贵但很好。对于我的要求，它有一个缺点，它不能在 linux 上转换为 TIFF 格式。
尽管他们网站上的注释（仅限 TIFF、PNG、JPG windows）我从支持人员那里得到了这个答案：“Rainbow PDF Server Based Converter 可以在 Solaris 8,9 和 10 上运行，并且还能够转换为 PNG 和 JPEG”。所以要么请求对 linux 和 TIFF 的支持，要么获得试用版。
我测试了试用版，并联系了他们的支持。他们告诉我他们也支持debian。 TIFF for linux 是经常被问到的功能，但还没有出现在他们的路线图上。总之，这是一款不错的软件，但如果您想在 sas 环境中使用它，它的成本会很高。

【解决方案2】：

Apache POI - Microsoft 文档的 Java API。但是我不知道如何轻松地将解析后的文档转换为 TIFF。

【讨论】：

这个库仅适用于 microsoft 文档，不会解析电子邮件中的附件。

【解决方案3】：

混合不同的方法可能有用吗？根据您的要求，可以使用多个库来转换您需要管理的所有格式：Microsoft Office、Adobe PDF、一些不同的图像格式和简单的文本文件。

我的意思是，您可以创建一个进程，根据提取的文件类型（使用 Java Mail），您可以识别文件的格式，并使用合适的库以正确的转换机制继续处理。然后您将确定文件是否是要转换的图像，尝试 Java Advanced Imaging，如果是 Microsoft Office 文件，请尝试 Apache POI 等等。对于管理 PDF 文件，您可以尝试 Apache PDFBox 这是另一个不错的开源解决方案。

顺便说一句，如果您不仅在寻找 Java 方法，那么this thread 可能会对您有所帮助。

我不知道是否有比@ChrisGer 评论的更好的商业解决方案。

【讨论】：

【解决方案4】：

不要浪费时间看 Apache POI，因为它只能解析 Office 文件的内容，不适合渲染它。

由于有可用的 OpenOffice 服务器，我建议您这样做。我还知道您可以轻松地使用 DCOM 与 Microsoft Office 应用程序对话，也许 Java->DCOM 桥更能胜任这项任务。然而，微软甚至不推荐这样做（所以我认为 JodConverter 的东西同样不稳定）。

【讨论】：