文本提取和解析Java高码API

产品页面 | 文档 | 演示 | API参考 | 例子 | 博客 | 免费支持 | 临时许可

Java的GroupDocsparser是本地API，它使您的Java应用程序可以从各种文件格式中解析和提取数据。它使您可以提取超链接，表，条形码，文本，图像以及从邮政编码，电子邮件档案，PDF投资组合和数据库中提取数据。 Java的groupDocs.Parser可用于定义包含固定，正则和链接的字段位置的用户定义模板，以进行准确的数据提取。

文本提取和解析Java本地API功能

• Document parsing via user-defined template

  • 创建具有数据字段和表定义的用户定义模板。

  • 通过用户定义的模板解析文档并提取数据，例如发票，表格等。

• Supports extraction of various text elements, such as:

  • 纯文本提取
  • 格式的文本提取作为简单文本，HTML或Markdown（MD）
  • XML形式的结构化文本提取
  • 根据特定坐标，文本样式提取文本区域提取
  • 提取特定词的文本（在）周围

• Supports various extraction modes, such as:

  • 准确的文本提取模式：具有最佳文本质量的默认文本提取模式。
  • 原始文本提取模式：具有更好性能的提取模式，但文本质量不如上述模式准确。

• 提取整个文档的文本或仅提取所需的文档页面。

• 能够使用特定关键字或通过正则表达式搜索文档。

• 支持Microsoft Word＆reg;，excel＆reg;，PowerPoint＆reg;，PDF＆reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg; reg;; - 支持元数据提取和图像提取。和其他文档类型。

• 从Microsoft Office＆Reg提取目录（TOC）； word＆reg; ＆Epub电子书格式。

• 能够从容器（档案）中提取数据，例如ZIP，PDF投资组合，OST容器等。

• 能够通过表单字段迭代并提取PDF表单数据。

• 从数据库中提取数据（例如sqlite）通过JDBC。

• 从Microsoft OneNote＆Reg中提取信息；笔记本。

• 从整个文档或特定页面或特定页面区域中提取所有超链接。

支持的文档解析器文件格式

Microsoft Word＆reg;： doc/dot/docx/docm/dotx/dotm/rtf/txt
OpenOffice Writer＆reg;： ODT/OTT/ Microsoft Excel＆reg;： XLS/XLT/XLSX/XLSM/XLSB/XLTX/XLTM/XLTM/XLA/XLAM
OpenOffice Calc＆reg;： ODS/OTS/CSV
**Apple＆Reg; iWork：**数字
Microsoft PowerPoint＆reg;： PPT/PPS/POT/PPTX/PPTM/PTM/POTX/POTM/PPSX/PPSM
OpenOffice Impress＆reg;： ODP/OTP
Microsoft Outlook＆reg;： PST/OST/EML/MSG
Apple＆Reg;邮件： emlx
**Microsoft OneNote＆reg;：**一个
固定布局： pdf
后记： ps
标记： XHTML/MHTML/MD/XML
电子书： chm/epub/fb2
存档： zip/rar/tar/gz/bz2
图像： bmp/gif/jpg/jpeg/jpe/jp2/png/tif/tif/tiff/djvu/j2k/webp \
矢量： svg/svgz
Adob​​e Photoshop＆reg;： PSD
医学成像： dicom
元数据： emf/wmf
数据库： JDBC

有关详细信息和限制，请访问支持的文档格式。

系统要求

• Microsoft Windows： Windows Desktop＆Server（X86，X64），Microsoft Azure
• macOS： Mac OS X
• Linux： Ubuntu，Opensuse，Centos等
• Java版本：``J2SE 7.0（1.7），J2SE 8.0（1.8）`或更高（例如Java 10）

Java的GroupDocs.Parser不需要安装任何外部软件或第三方工具。只需按照安装和配置中描述的方式之一即可。

开始

GroupDocs在GroupDocs存储库托管所有Java API。您可以在Maven项目中直接使用简单配置的Maven项目中轻松地将Java API用于Java API。有关详细说明，请访问使用Maven从GroupDocs存储库安装文档页面。

示例Java代码用于从特定PDF页面提取文本的代码

// Create an instance of Parser class
try (Parser parser = new Parser(Constants.SamplePdf)) {
    // Get the document info
    IDocumentInfo documentInfo = parser.getDocumentInfo();
    // Iterate over pages
    for (int p = 0; p < documentInfo.getPageCount(); p++) {
        // Print a page number
        System.out.println(String.format("Page %d/%d", p + 1, documentInfo.getPageCount()));
        // Extract a text into the reader
        try (TextReader reader = parser.getText(p)) {
            // Print a text from the document page
            System.out.println(reader.readToEnd());
        }
    }
}

产品页面 | 文档 | 演示 | API参考 | 例子 | 博客 | 免费支持 | 临时许可