用於計算PDF，MS Office/OpenOffice .doc，.odt，.xsl，.ppt

Question

中的詞出現的Java庫可以請任何人推薦適合此作業的庫嗎？在各種文檔計數出現的詞語是我必須做的，還是它似乎我必須使用庫就像唯一的工作：

PDF

pdfbox

itextpdf

MS辦公室

apache poi - 不確定是否支持2008+ MS關閉冰文件和OpenOffice文件？

OpenOffice的

odftoolkit

jopendocument

能否請您分享您的經驗，建議選擇和警惕，我可能跨越來的問題？

Answer 1

阿帕奇提卡™是 檢測和提取的元數據和從使用現有的解析器 庫各種 文檔 結構化文本內容的工具包。

Supported Document Formats：

• 超文本標記語言
• XML和導出格式
• 微軟Office文檔格式
• OpenDocument格式
• 可移植文檔格式
• 電子出版物格式
種
• RTF格式
• 壓縮和包裝形式
• 文本格式
• 音頻格式
• 圖像格式
• 視頻格式
• Java類文件和檔案
• 以MBOX格式

使用Tika AutoD etectParser，您可以輕鬆解析給定的文檔並提取文本內容以計算單詞。

我已經將它用於各種文件類型，它的性能很好。

如果任何現有的解析器不能滿足您的需求，那麼擴展/定製解析器或集成您自己的解析器相當容易。