需要使用java從任何二進制文件中提取文本

Question

如何使用java解析二進制文件中的內容並從中提取文本。我需要這個能夠使用lucene索引二進制文件的內容。我目前支持的文件類型有pdf，html，word，excel，ppt，html。

Answer 1

你可以嘗試Apache Tika：

阿帕奇提卡™工具包檢測和超過一千不同的文件類型（如PPT，XLS和PDF）提取元數據和文本。所有這些文件類型都可以通過單個界面進行分析，這使得Tika對於搜索引擎索引，內容分析，翻譯等等非常有用。