[导入]Lucene常用格式文件的文本抽取工具
2006-09-01 11:24
323 查看
附录主要列举了一些常用格式文件的文件抽取工具,以供在使用Lucene时使用
1. PDF格式
PDF格式的文档相当常见,但是如果要想要为其中的内容建立索引,就需要专门的工具来对其中的文本进行抽取。最常见的一种PDF文本抽取工具就是PDFBOX了,它的下载网址为:
http://sourceforge.net/projects/pdfbox/
当然,PDFBOX对于中文的支持很差,如果想抽取中文的PDF文件中的文本,可以使用一个称之为xpdf的工具。以下是它的下载网址:
http://www.foolabs.com/xpdf/download.html
2. 微软格式(WORD,EXCEL)
如要要对微软的WORD和EXCEL格式进行本文抽取,通常的方式有两种:
1. 使用COM-Java
我们知道,微软的WORD和Excel程序是以一种COM组件形式存在。如果能够在Java中
文章来源:http://www.gins.cn/blog/article.asp?id=51
1. PDF格式
PDF格式的文档相当常见,但是如果要想要为其中的内容建立索引,就需要专门的工具来对其中的文本进行抽取。最常见的一种PDF文本抽取工具就是PDFBOX了,它的下载网址为:
http://sourceforge.net/projects/pdfbox/
当然,PDFBOX对于中文的支持很差,如果想抽取中文的PDF文件中的文本,可以使用一个称之为xpdf的工具。以下是它的下载网址:
http://www.foolabs.com/xpdf/download.html
2. 微软格式(WORD,EXCEL)
如要要对微软的WORD和EXCEL格式进行本文抽取,通常的方式有两种:
1. 使用COM-Java
我们知道,微软的WORD和Excel程序是以一种COM组件形式存在。如果能够在Java中
文章来源:http://www.gins.cn/blog/article.asp?id=51
相关文章推荐
- 利用Lucene把文本的字体格式进行修改,然后输出到一个新的文件中
- 导入导出:数据库导出Txt文本文件格式校验[原创]
- net控件中数据导到Excel的格式 首先,我们了解一下excel从web页面上导出的原理。当我们把这些数据发送到客户端时,我们想让客户端程序(浏览器)以excel的格式读取它,所以把mime类型设为:application/vnd.ms-excel,当excel读取文件时会以每个cell的格式呈现数据,如果cell没有规定的格式,则excel会以默认的格式去呈现该cell的数据。这样就给我们提供了自定义数据格式的空间,当然我们必须使用excel支持的格式。下面就列出常用的一些格式: 1) 文本
- 无法导入reg:指定的文件不是注册脚本——兼了解文本格式问题
- 无法导入reg:指定的文件不是注册脚本——兼了解文本格式问题
- 以制表符分隔的TXT文件转换成Supermemo可直接导入的文本格式的过程图解
- 将文本格式csv文件导入到sqlserver数据库中
- 以制表符分隔的TXT文件转换成Supermemo可直接导入的文本格式的过程图解
- SQLServer 常用格式数据文件导入导出之一
- 无法导入reg:指定的文件不是注册脚本——兼了解文本格式问题
- 文本文件导入导出校验工具[原创]
- 【NLP】Tika 文本预处理:抽取各种格式文件内容
- SQLServer 常用数据格式文件导入导出之二
- 利用Lucene把文本的字体格式进行改动,然后输出到一个新的文件里
- 【NLP】Tika 文本预处理:抽取各种格式文件内容
- 第五篇、iOS常用的工具 app icon 、office文件格式互转、在线HTML编辑器、16、10进制互转
- Lucene学习总结之三:Lucene的索引文件格式(1)
- [JAVA使用技巧]Java抽取Word和PDF格式文件_网络大本营
- Qt 常用命令,宏,pro文件格式
- PC上文件格式隐藏的恢复方法---文本文档的txt格式修改成.html总是显示.html.txt