需要使用java从任何二进制文件中提取文本

Question

我如何使用java解析二进制文件中的内容并从中提取文本。我需要这个能够使用lucene索引二进制文件的内容。我目前支持的文件类型是pdf，html，word，excel，ppt，html。

Answer 1

您可以尝试Apache Tika：

  

Apache Tika™工具包可检测并提取超过一千种不同文件类型（如PPT，XLS和PDF）的元数据和文本。所有这些文件类型都可以通过单一界面进行解析，使得Tika对搜索引擎索引，内容分析，翻译等非常有用。