如何提取rtf表

时间:2016-04-16 09:16:31

标签: java text rtf text-mining text-extraction

我有一个rtf文件。它有很多表。我一直在尝试使用java(POI和tika)来提取表格。这在.doc中很容易,其中表定义为这样。然而,在rtf文件中,似乎没有任何“这是一个表”标签作为元数据的一部分。有谁知道从这样的文件中提取表格的最佳策略是什么?将它转换为另一种文件格式有帮助。有什么线索可供我查询吗?

2 个答案:

答案 0 :(得分:1)

有一个名为unrtf的linux工具,请查看manual

使用该应用程序,您可以将rtf文件转换为html:

unrtf --html your_input_file.rtf > your_output_file.html

现在您可以使用任何编程API来操作html / xml并轻松提取表格。你需要它吗?

答案 1 :(得分:1)

谢谢你的回答。最后,我能够通过使用TXTParser来使用Tika,然后将所有段放在粗体标签(这是我的表格分开的方式)之间进入一个arraylist。我不得不使用制表符分隔符来定义表格。 这是没有根据选项卡提取表格的代码(仍在使用它):

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.util.ArrayList;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.metadata.TikaCoreProperties;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.html.HtmlParser;
import org.apache.tika.parser.rtf.RTFParser;
import org.apache.tika.parser.txt.TXTParser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.SAXException;


public class TextParser {
public static void main(final String[] args) throws IOException,TikaException{
 //detecting the file type
 BodyContentHandler handler = new BodyContentHandler(-1);
 Metadata metadata = new Metadata();

 FileInputStream inputstream = new FileInputStream(new File("/Users/mydoc.rtf"));
 ParseContext pcontext = new ParseContext();

 //Text document parser
 TXTParser TXTParser = new TXTParser();
 try {
     TXTParser.parse(inputstream, handler, metadata,pcontext);

} catch (SAXException e) {

    e.printStackTrace();
} 
 String s=handler.toString();

Pattern pattern = Pattern.compile("(\\\\b\\\\f1\\\\fs24.+?\\\\par .+?)\\\\b\\\\f1\\\\fs24.*?\\{\\\\",Pattern.DOTALL);

Matcher matcher = pattern.matcher(s);
ArrayList<String> arr= new ArrayList<String>();

while (matcher.find()) {
       arr.add(matcher.group(1));
     }

 for(String name : arr){
     System.out.println("The array number is: "+arr.indexOf(name)+" \n\n "+name);
 }

 }
}