下如何将文档文件(Word, Pdf等) 中的文本提取出来 - eaglet - 博客园
经常有人问我怎么将类似word，pdf这样的文档转换为文本然后索引， 这方面的解决方案不是很多，为了方便大家，我花了一天时间自己做了一个。
Java 版本的 lucence 提供了一个 tika 的工具用于将 word, excel, pdf 等文档转换为文本，然后进行索引。但这个工具没有 版本，要在 下用，需要用 IKVM，很麻烦。而且这个工具实际上底层是调用 POI 和 PDFParse 来转换的。从网上搜索到的信息看,POI 对 office 2007 以上版本的文档处理有问题，不知道最新版本是否解决了，我没有试过。 PDFParse 这个东西，我用过 版本，对中文不支持，不知道 Java 版本是否支持。
其实 下完全不需要用这些开源解决方案来解决，因为微软提供了一个官方的解决方案，这个解决方案叫 IFilter，这个过滤器是为 SQL SERVER 的全文索引设计的，但第三方软件可以调用API来完成文档的提取工作。
为了方便大家，我把 IFilter 转换的功能封装到了一个开源的组件中去，大家可以到下面地址去下载源码：HBTextParse.
调用很简单：
这个是提取文件中的文本到字符串的代码
if (openFileDialog.ShowDialog() == DialogResult.OK)
{ //要转换的文件 textBoxFilePath.Text = openFileDialog.FileName; //实例化 TextParse ，传入要转换的文件路径 TextParse textParse = new TextParse(textBoxFilePath.Text); //提取文件中的文本，并输出 richTextBoxView.Text = textParse.ConvertToString();
}
这个是将文件转换为文本文件的代码：
if (saveFileDialog.ShowDialog() == DialogResult.OK)
{ try { //实例化 TextParse，传入要转换的文件的路径 TextParse textParse = new TextParse(textBoxFilePath.Text); //将文件转换到 saveFileDialog.FileName 指定的文本文件中 textParse.ConvertToFile(saveFileDialog.FileName); } catch (Exception ex) { MessageBox.Show(ex.Message, "Error", MessageBoxButtons.OK,
MessageBoxIcon.Error); }
}
要注意的问题是提取 Pdf 文档，如果机器是 64为操作系统，必须要安装Adobe PDF iFilter 9 for 64-bit platforms. 否则会报异常。这个问题我搞了将近一天才搞定。
支持的文档类型：
目前这个组件可以支持所有 Microsoft office 提供的文档类型，包括 *.rtf, *.doc, *.docx, *.xls, *.xlsx, *.ppt, *.pptx 等等
除了微软Office的文档外，还可以转换
∙ html 文档:可以把html文档中的文本提取出来（不包含标签）
getsavefilename∙ Pdf 文档:我测试过，对中文支持没有问题
∙ Txt 文档
这个代码的核心部分是一个叫 FilterCode 的类。这个类是从deplex/这个地方下载的，我对这个类做了改进，加入了转换到文件的方法。我把这个类的代码贴出来，如果对如何调用IFilter的windows API感兴趣，可以参考这段代码
IFilter 的相关API函数如下：通常这些API函数就可以通过IFilter接口提取文本。
版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。
发表评论