文件解析库列表

文件解析库列表

1. Microsoft Office 解析库

    1.1 apache 的 poi     

        java语言，apache官方关于poi text extractor 的介绍：
        支持各种版本文件的提取.doc .docx .xls .xlsx .ppt .pptx，甚至更老版本的 Word 6 和 Word 95 文件；  支持 .vsd .pub 文件的提取；支持提取嵌入到office文件中的文件的内容；支持 各版本的文档，97-2003的 doc xls ppt ， 2007后的 docx pptx xlsx；

        http://poi.apache.org/

        http://www.apache.org/dyn/closer.cgi/poi/dev/bin/poi-bin-3.8-beta2-20110408.zip

    1.2 NPOI

        C#语言，NPOI是.net版本的poi，是从poi移植过来的
        http://npoi.codeplex.com/

    1.3 OpenOffice

        是个开源的办公套件，提供了与MS Word，Excel，PowerPoint等对应的多个软件，在很多时候倒也足够使用。更重要的是，它支持包括MS Office 2007在内的多种格式，并且能够将其导出为PDF文件，再加上它的授权方式是LGPL，在生产环境里使用自然也不会有什么明显的限制了。此外，OOo本身也有相当多的开发文档，我对完成这个工作还是很有信心的——但我没想到的是，这过程还真不如想象中那么顺利。

        http://www.openoffice.org/

        http://blog.zhaojie.me/2010/05/convert-document-to-pdf-via-openoffice.html

    1.4 Open XML Format SDK
        描述：微软官方提供的Open XML读写库，目前最新版是2.0 CTP版本，这套库也是基于.net 3.0的。
        相关文件格式：Open XML Formats (docx, xlsx, pptx等)

        官方网站：http://www.microsoft.com/downloads/details.aspx?FamilyID=c6e744e5-36e9-45f5-8d8c-331df206e0d0&DisplayLang=en

        

     1.4 doc及docx纯文本提取 DocumentExtractor

        http://www.oschina.net/p/documentextractor

2. Pdf解析库

    2.1 xpdf

        开源软件，用C/C++开发，可以获取源码,无文档；不提供开发包；使用命令行提取文本

        http://www.foolabs.com/xpdf/

        http://www.foolabs.com/xpdf/download.html

    2.2 pdfbox

        Apache 开源项目,提供开发jar包；文档较齐；
        1、使用jar包自己开发
        2、使用命令行（未测试）
        如 usage: java -jar pdfbox-app-x.y.z.jar ExtractText [OPTIONS] [Text file]

        http://pdfbox.apache.org/

    2.3 操作 PDF 文件格式的 C++ 类库：PoDoFo

        功能包括：解析现有的PDF文件, 创建新的PDF文件, 修改现有的PDF文件,  加密PDF文件, 创建unicode PDFs,  修剪PDFs

        http://sourceforge.net/projects/podofo/

    2.4 iText，是一个能够快速产生PDF文件的java类库

        http://sourceforge.net/projects/itext/

        http://www.itextpdf.com/

3. 图像文件解析

    3.1 CxImage类库

        CxImage类库是一个优秀的图像操作类库。它可以快捷地存取、显示、转换各种图像。

        CxImage是一个可以用于MFC的C++类，可以打开，保存，显示，转换各种格式的图像文件,比如BMP, JPEG, GIF, PNG, TIFF, MNG, ICO, PCX, TGA, WMF, WBMP, JBG, J2K 等格式的文件。可以实现BMP<->JPG，PNG <>TIFF格式等等的转换

         http://www.codeproject.com/Articles/1300/CxImage

  

    3.2 PSD文件解析库 libspsd

        http://www.oschina.net/p/libspsd

        http://sourceforge.net/projects/libpsd/

4. XML解析库

    4.1 TinyXML

        TinyXML是一个开源的解析XML的解析库，能够用于C++，能够在Windows或Linux中编译。这个解析库的模型通过解析XML文件，然后在内存中生成DOM模型，从而让我们很方便的遍历这棵XML树。

        http://sourceforge.net/projects/tinyxml/