文本提取调研(二)

除了 pdfbox 和 poi  还调研了另外一些开源项目，并做了一些简单验证。

 

DF文本提取的库

一、iText: 只支持pdf的制作;

二、iTextSharp: iText 的 C#版本,支持简单的导出;---未验证

三、PDFClown: 作者在持续更新,目前最高版本 0.1.0 , 用提供的jar包做了个demo；
验证结论：支持中文，繁体，处理效果 同 pdfbox 和xpdf，某些字还是无法提取;
有bug,输入某些文件,程序报错；

四、JPedal ： 提供java库，官方说法：免费库只有30天使用期,支持文本导出；未验证

五、PDFjet 动态生成PDF文档的Java类库，有商业版和开源版两种,开源版功能较弱,对文本仅有部分功能，不提供文本提取接口；

六、ICEPdf 还在不断更新,最新版本是 4.2, 用提供的jar包做了个dmeo；
验证结论：支持中文简体、繁体；简体效果同pdfbox,xpdf,效率也接近；
对某个繁体文档的支持比较糟糕,格式混乱，其他如乱码现象，同pdfbox 和 xpdf;

 

office 文本提取调研：

jacob 只能用于windows平台, 用java封装了对 com component 和 win32 lib 的调用,可以操作office文档；

POI 是微软和apache 合作开发的项目,没有找到更好的解析office 文件的库；
大部分都是基于POI的二次封装,比如 tm-extractors

 

开源全文搜索引擎的文本提取调研：

JDesktopSearch 是一个基于Apache Lucene实现的桌面搜索引擎。支持 索引HTML、XML、OpenOffice、MS Word和PDF文档；使用了tm-extractors poi 和 pdfbox；
DocSearcher 是一个文档全文搜索工具；基于LUCENE、 POI、 PDFBOX的
DocFetcher 是一个桌面搜索工具类似于Google Desktop Search ；基于LUCENE POI PDFBOX
Xinco DMS 是一个基于Web-Service的消息和文档管理系统；基于 LUCENE 
Aperture 支持搜索全文本内容与元数据；使用 POI PDFBOX；

上面提到的几个全文搜索的项目,都是使用的 poi或者 jacob pdfbox，直接提取出来文本 ，没做其他处理