Clojure - 將PDF/Doc文件解壓縮爲簡單文本的最佳方法

Question

我正在尋找一種簡單的解決方案來解析已上傳到我的應用的每個文件，並將其轉換爲簡單的文本。我的Web應用程序在Clojure上運行，並且更喜歡使用API​​來解析各種文件類型。

Answer 1

看看apache poi,pdfbox和apache tika。

它們是用於處理各種文件格式的java庫。您可以直接在您的clojure應用程序中使用他們的Java API。

以下是來自apache tika網站的引用。

阿帕奇提卡™工具包檢測並提取元數據和文本從各種文件 內容 - 從PPT到CSV到PDF - 使用 現有的解析器庫。 Tika將這些解析器統一在一個單獨的界面下，使您可以輕鬆解析一千個不同的文件 類型。 Tika可用於搜索引擎索引，內容分析， 翻譯等等。

以下是來自pdfbox網站的引用。

Apache PDFBox™庫是一個開放源代碼的Java工具，用於在PDF文檔中工作 。該項目允許新的PDF文檔創建，現有文檔的 操作和從文檔中抽取

而且這裏的內容 的能力是從POI網站

報價對於若干年來， Apache POI爲所有項目支持的文件格式提供了基本文本 提取。另外，如 以及（普通）文本一樣，這些提供了對與給定文件（例如標題和作者）相關聯的元數據 的訪問。