用Java从Office和PDF文件中提取文本

我有一个.pdf、ppt、pptx、xls、xlsx、doc和.docx文件的列表

list

，现在想在这些文件中查找电子邮件地址。我的问题是如何从这些文件中提取计划文本。目前我使用的是ApachePOI，我对每种类型的文件都有一个单一的方法，是否有一个更短、更优雅的可能性？ 也许也可以处理.odt、.odp、.ods文件？

---

如何将.pdf、ppt、pptx、xls、xlsx、doc和.docx文件中的te计划文本转换为字符串？

您尝试过吗？它支持OpenOffice文档格式（.odt、.ods）以及Microsoft Office文档格式。

如果Apache库可以将文件转换为文本，那么您可以在生成的文本中执行以下操作。如果您可以使用其他Java库，那么您可以直接在原始文档中搜索，或者至少首先将它们转换为纯文本

我工作的公司有几个库，用于其中两种格式。使用Gnostice XtremeDocumentStudio（用于Java）库，您可以将PDF和DOCX文件转换为纯文本

DocumentConverter dc = new DocumentConverter();
dc.convertToFile("sample.pdf", "sample-pdf.txt");
dc.convertToFile("sample.docx", "sample-docx.txt");

使用gnosticepdfone（for Java）库，您可以直接执行（另一个正则表达式，为电子邮件地址创建的正则表达式，上面给出的链接）。此库仅适用于PDF文件

PdfDocument doc = new PdfDocument();
doc.load("Input_Docs\\input_doc.pdf");

// Obtain all website addresses in page 2
ArrayList lstSearchResults =
   (ArrayList) doc.search("http://{1}",  // regular expression
                          2, // page number
                          PdfSearchMode.REGEX,
                          PdfSearchOptions.NONE);

你试过了吗？