Sql 从上传文档中提取文本的建议

目前，我每天都有大量文档上传到我的网站（.doc、.docx、.odt、pdf），这些文档存储在sql数据库（mediumblob）中

目前，我打开数据库中的文档，将文本版本剪切并粘贴到数据库中的一个字段中，以实现快速参考和搜索功能

我正在寻找自动化这个“剪切粘贴”过程——只要我能提取文本，格式化就不是一个真正的问题——并且希望一些人能够提出一个好的方法来继续

我尝试过使用正则表达式来操纵blob字段的内容，但它并没有真正起作用

我一直在研究ApachePOI，以期在上传时提取文本，但我忍不住想，鉴于我相对简单的需求，这可能有点过分了

考虑到我遇到的各种文档格式以及当前在blob字段中存储内容的情况，apachepoi是在这种情况下使用的最佳解决方案，还是有人能推荐一种替代方案

非常感谢您的帮助和建议

Chris只适用于Microsoft Office格式（.xls、.docx、.msg等）。对于这些格式，它提供了用于处理文件的类（总是读取，对于许多写入支持也是如此）以及文本提取器

对于一般的文本提取框架，您应该查看。Tika在内部使用POI来处理Microsoft格式，并使用许多其他库来处理不同的格式。例如，Tika将同时处理PDF和ODF/ODT，这是您在问题中提到的另外两种文件格式

---

上有一些快速入门教程和示例，我建议您浏览一下。开始使用它很快，您应该能够轻松地更改代码，以便在上传过程中通过Tika发送文档，以获得纯文本版本，或者如果对您更有帮助的话，可以使用事件XHTML。

我认为POI是标准解决方案；因此，如果你陷入困境，它将是你最有可能找到帮助的。我想不出你不使用它的任何理由。谢谢David-考虑到额外的格式，我将在本例中尝试Tika。谢谢Gagravarr-我将尝试让Tika为我工作。