如何在 Java 中使用 GroupDocs.Parser 提取文字

在現代企業應用程式中,如何提取文字從各種文件格式是一項基礎需求。無論您是建立搜尋索引、產生報告,或是遷移舊有檔案,GroupDocs.Parser for Java 為您提供純 Java、無相依性的方式,從 PDF、DOCX、XLSX 等檔案中提取純文字、格式化內容、圖片、元資料與表單資料。本教學將帶您逐步完成必要步驟,說明此函式庫的優勢,並示範如何處理大型檔案、受密碼保護的文件以及快速文字搜尋等常見情境。

快速答案

  • 「extract text java」是什麼意思? 這表示使用 Java 函式庫——特別是 GroupDocs.Parser——以程式方式讀取文件檔案並回傳其文字內容。
  • 我也可以提取圖片嗎? 可以——呼叫同一 parser 實例的 image‑extraction API,即可取得所有嵌入的圖片。
  • 支援搜尋嗎? 當然可以——使用內建的 search(String query) 方法來定位關鍵字或正規表達式模式。
  • 我需要授權嗎? 免費試用金鑰可用於評估;商業授權則是正式部署所必需的。
  • 支援哪些 Java 版本? Java 8 及更新版本皆與目前的 SDK 完全相容。
  • 如何提取表單資料? 呼叫 extractFormData() 方法,該方法會回傳一個包含欄位名稱與其值的映射。
  • 我能有效率地搜尋文件文字嗎? 可以——將 SearchOptions 物件傳入 search() 呼叫,以進行不區分大小寫或基於正規表達式的搜尋,且可擴展至上千頁。

「extract text java」是什麼?

如何在 Java 中提取文字 是指在 Java 應用程式中載入文件(PDF、DOCX、XLSX 等),並透過 API 取得其原始或格式化的文字內容。GroupDocs.Parser 會讀取檔案結構、解碼文字串流,並回傳字串或文字片段集合,讓後續的索引、分析或轉換流程得以進行。

為什麼要在 Java 中使用 GroupDocs.Parser?

GroupDocs.Parser 支援 100 多種檔案格式——包括 PDF、DOCX、XLSX、PPTX、HTML 以及常見的影像類型——且不需要外部軟體如 Adobe Acrobat 或 Microsoft Office。它能在一般伺服器硬體上快速處理數百頁的文件,並提供兩種提取模式:preserve layout(保留版面)以支援欄位感知的輸出,和 raw(原始)以追求最高速度。此函式庫亦原生提供 search、form‑data extraction 與 metadata retrieval,成為文件導向應用的全方位解決方案。

常見使用情境

  • 搜尋引擎 – 將提取的純文字輸入 Lucene、Elasticsearch 或 OpenSearch,以進行全文索引。
  • 內容遷移 – 透過一次性提取文字、圖片與元資料,將舊有的 PDF 與 Word 檔案搬移至 CMS。
  • 合規稽核 – 使用 search() API 掃描合約中的特定條款。
  • 表單處理 – 透過 extractFormData() 提取 PDF 表單欄位,自動化發票處理。

前置條件

  • 已在開發機或伺服器上安裝 Java 8+ 執行環境。
  • 使用 Maven 或 Gradle 進行相依性管理。
  • 有效的 GroupDocs.Parser for Java 授權金鑰(或用於評估的試用金鑰)。

教學分類

入門指南

文件載入

文字提取

文字搜尋

圖片提取

表格提取

元資料提取

超連結提取

目錄提取

條碼提取

表單提取

格式化文字提取

範本解析

電子郵件解析

文件資訊

容器格式

頁面預覽產生

OCR 整合

資料庫整合

如何在 Java 中提取表單資料?

使用 extractFormData() 方法一次性取得欄位名稱與值的映射。 此方法會解析 PDF 或 Word 表單,回傳 Map<String, String>,其中每個鍵為表單欄位名稱,值為使用者提供的內容。它非常適合自動化發票處理、問卷分析,或任何依賴結構化輸入的工作流程。

如何在 Java 中搜尋文件文字?

呼叫 search(String query) 方法以在整份文件中定位精確片語或正規表達式模式。 此方法會回傳 SearchResult 物件集合,內含頁碼與突顯的文字片段,讓您能在 UI 中顯示結果或將其輸入後續分析。若需不區分大小寫或模糊匹配,請將配置好的 SearchOptions 實例與查詢一起傳入。

常見問題與解決方案

  • 大型檔案的記憶體消耗 – 改用串流 API (Parser.open(InputStream)) 逐塊讀取文件,以降低堆積記憶體使用量。
  • 提取文字的版面不正確 – 啟用「preserve layout」選項;它會保持欄位、表格與縮排對齊。
  • 圖片遺失 – 確認來源文件未加密;若已加密,載入檔案時提供密碼即可。

支援

如果您遇到任何問題或對 GroupDocs.Parser for Java 有疑問,您可以:

立即開始探索我們的教學,發掘文件解析與資料提取在您的 Java 應用程式中的完整潛力。

常見問答

Q: 我該如何在 Java 中開始提取文字?
A: 加入 Maven 相依性,使用檔案路徑建立 Parser 實例,然後呼叫 extractText()。此單行呼叫會回傳整份文件的純文字。

Q: 我可以在提取文字的同時提取圖片嗎?
A: 可以。載入文件後,於相同 parser 實例呼叫 extractImages(),即可取得所有嵌入的圖片。

Q: 文件內搜尋有哪些選項?
A: 使用 search(),可以傳入簡單關鍵字字串或正規表達式模式。傳入 SearchOptions 物件以啟用不區分大小寫、全字匹配或結果分頁等功能。

Q: API 是否支援受密碼保護的檔案?
A: 完全支援。建立 Parser 物件時提供密碼,函式庫會自動解密文件。

Q: 檔案大小有上限嗎?
A: 沒有硬性上限,但處理多 GB 檔案時,使用串流 API 可降低記憶體使用。

Q: 我該如何從 PDF 提取表單資料?
A: 呼叫 extractFormData();它會回傳欄位名稱與提交值的映射,並處理核取方塊、單選按鈕與文字欄位。

Q: 執行快速文字搜尋的最佳方法是什麼?
A: 結合 search() 與 SearchOptions 實例,若僅需頁碼,可關閉不必要的功能(如突顯),在大型集合上可顯著提升效能。

最後更新: 2026-10-07
測試環境: GroupDocs.Parser for Java 23.12
作者: GroupDocs

相關教學