通常读取任何文件格式并将其转换为.txt格式

时间：2016-12-11 21:40:41

标签： c# file text ikvm

我需要确保在进行任何进一步处理之前，如果包含文本，用户提供的文件将转换为.txt文件。

目前我有一个switch语句检查特定格式并从那些格式转换为.txt格式。

switch (extension)
{
    case ".pdf":
        //Convert from .pdf to .txt file
        break;
    case ".doc":
        //Convert from .doc to .txt file
        break;
    default:
        Console.WriteLine("The file could not be converted!");
        break;
}

问题是，我需要更通用的东西来检查给定的文件是否是.txt，或者它是否可以转换，这样做。

1 个答案:

答案 0 :(得分：4)

按照L.B的建议，我将转发this。

在您的.Net应用程序中使用Tika Java库和IKVM

这可能听起来很吓人，但您是否知道可以利用来自.Net应用程序的Java库而没有TCP套接字或Web服务陷入交火？让我向您介绍IKVM，坦白说是魔术：

IKVM.NET是Mono和Microsoft .NET Framework的Java实现。它包括以下组件：

  • 以.NET实现的Java虚拟机
  • Java类库的.NET实现
  • 支持Java和.NET互操作性的工具

使用IKVM，我们能够成功地将我们的Dovetail Seeker搜索应用程序与用Java实现的Tika文本提取库集成。使用Tika，我们可以轻松地从许多支持的格式中提取丰富文档中的文本。为什么Tika？因为.Net世界中没有任何可比的Tika。

这篇文章将回顾我们如何与Tika整合。如果您喜欢代码，可以在Github上的回购中找到this example。

将Jar编译成程序集

首先，我们需要掌握最新版本的Tika。我下载并制作了Tika source using Maven as instructed。结果是一些jar文件。我们感兴趣的是tika-app-x.x.jar，它将我们需要的所有内容捆绑到一个有用的容器中。

接下来我们需要将我们构建的jar转换为.Net程序集。使用ikvmc.exe执行此操作。

tika\build>ikvmc.exe -target:library tika-app-0.7.jar

不幸的是，你会看到大量麻烦的警告，但最终结果是一个.Net程序集包装你可以在你的项目中引用的Java jar。

使用Tika From .Net

IKVM非常透明。您只需引用Tika app程序集，您的.Net代码就是与Java类型对话。一开始有点奇怪，因为你有Java版本的类型和.Net版本。接下来，您需要确保项目中包含所有相关的IKVM运行时程序集。使用Reflector我发现Tika app程序集引用了许多似乎没有使用的IKVM程序集。我不得不通过反复试验弄清楚哪些组件没有被丰富的文件提取所触及。如果需要，您可以简单地将所有引用的IKVM程序集包含在您的应用程序中。下面我已经为您完成了工作，并取消了对所有看似正在运行的IKVM程序集的所有引用。

enter image description here

16个组件，低至5个。部署要小得多。

使用Tika

要做一些文本提取，我们会非常好地问Tika来解析我们抛出的文件。为了我的目的，这涉及让Tika自动确定如何解析流并提取有关文档的文本和元数据。

public TextExtractionResult Extract(string filePath)
{
var parser = new AutoDetectParser();
var metadata = new Metadata();
var parseContext = new ParseContext();
java.lang.Class parserClass = parser.GetType();
parseContext.set(parserClass, parser);

try
{
var file = new File(filePath);
var url = file.toURI().toURL();
using (var inputStream = MetadataHelper.getInputStream(url, metadata))
{
parser.parse(inputStream, getTransformerHandler(), metadata, parseContext);
inputStream.close();
}

return assembleExtractionResult(_outputWriter.toString(), metadata);
}
catch (Exception ex)
{
throw new ApplicationException("Extraction of text from the file '{0}' failed.".ToFormat(filePath), ex);
}
}

一个重要的洞察

Java有一个名为 ClassLoader 的概念，它与如何找到和加载Java类型有关。可能有更好的解决方法，但出于某种原因，如果您没有实现自定义的ClassLoader，并且还设置了一个应用程序设置，提示IKVM运行时关于哪个.Net类型用作ClassLoader。

public class MySystemClassLoader : ClassLoader
{
public MySystemClassLoader(ClassLoader parent)
: base(new AppDomainAssemblyClassLoader(typeof(MySystemClassLoader).Assembly))
{
}
}

这是一个示例app.config告诉IKVM找到ClassLoader的位置。

<?xml version="1.0" encoding="utf-8" ?>
<configuration>
<appSettings>
<add key="ikvm:java.system.class.loader" value="TikaOnDotNet.MySystemClassLoader, TikaOnDotNet" />
</appSettings>
</configuration>

这一步非常重要。如果IKVM找不到类加载器，由于某种可怕的原因，Tika可以正常工作但只提取没有元数据的空文档。令人不安的主要原因是没有例外。出于这个原因，我们实际上在我们的应用程序中有一个验证步骤，确保应用程序设置存在并且它解析为有效类型。

演示

这是一个测试，展示了提取和结果。

[Test]
public void should_extract_from_pdf()
{
var textExtractionResult = new TextExtractor().Extract("Tika.pdf");

textExtractionResult.Text.ShouldContain("pack of pickled almonds");

Console.WriteLine(textExtractionResult);
}

简单地放入这样的丰富文档。

enter image description here

TextExtractionResult出来了：

public class TextExtractionResult
{
public string Text { get; set; }
public string ContentType { get; set; }
public IDictionary<string, string> Metadata { get; set; }
//toString() override
}

以下是Tika的原始输出：

enter image description here

<强>结论

我希望这有助于增强您对.Net代码中使用Java库的信心，如果您需要在.Net平台上与Tika合作，我希望我的example repo能够提供帮助。享受。

设置此信息的信息：

使用Nuget查找TikaOnDotnet并同时安装TikaOnDotnet＆amp; TikaOnDotnet.TextExtractor到你的项目。这是在Winform应用程序上测试它的代码：

public partial class Form1 : Form
{
    private System.Windows.Forms.TextBox textBox1;
    private TextExtractor _textExtractor;
    public Form1()
    {
        InitializeComponent();
        _textExtractor = new TextExtractor();

        textBox1 = new System.Windows.Forms.TextBox();
        textBox1.Dock = System.Windows.Forms.DockStyle.Fill;
        textBox1.Multiline = true;
        textBox1.Name = "textBox1";
        textBox1.ScrollBars = System.Windows.Forms.ScrollBars.Vertical;
        textBox1.AllowDrop = true;
        textBox1.DragDrop += new System.Windows.Forms.DragEventHandler(this.textBox1_DragDrop);
        textBox1.DragOver += new System.Windows.Forms.DragEventHandler(this.textBox1_DragOver);
        Controls.Add(this.textBox1);
        Name = "Drag/Drop any file on to the TextBox";
        ClientSize = new System.Drawing.Size(867, 523);
    }

    private void textBox1_DragOver(object sender, DragEventArgs e)
    {
        if (e.Data.GetDataPresent(DataFormats.FileDrop))
            e.Effect = DragDropEffects.Copy;
        else
            e.Effect = DragDropEffects.None;
    }

    private void textBox1_DragDrop(object sender, DragEventArgs e)
    {
        string[] files = (string[])e.Data.GetData(DataFormats.FileDrop);
        if (files != null && files.Length != 0)
        {
            TextExtractionResult textExtractionResult = _textExtractor.Extract(files[0]);
            textBox1.Text = textExtractionResult.Text;
        }
    }
}

修改：原始博客页面已移至但没有302烫发重定向http://clarify.dovetailsoftware.com/kmiller/2010/07/02/using-the-tika-java-library-in-your-net-application-with-ikvm/

相关问题
最新问题