如何在 Java 中使用 GroupDocs.Parser 提取文本
在现代企业应用中,从各种文档格式提取文本是一个基础需求。无论您是构建搜索索引、生成报告,还是迁移旧文件,GroupDocs.Parser for Java 为您提供纯 Java、无依赖的方式,从 PDF、DOCX、XLSX 等文件中提取纯文本、格式化内容、图像、元数据和表单数据。本教程将带您了解关键步骤,解释该库的优势,并展示如何处理大型文件、受密码保护的文档以及快速文本搜索等常见场景。
快速答案
- “extract text java” 是什么意思? 它指的是使用 Java 库——具体来说是 GroupDocs.Parser——以编程方式读取文档文件并返回其文本内容。
- 我还能提取图像吗? 是的——调用同一解析器实例的图像提取 API 来检索所有嵌入的图片。
- 是否支持搜索? 当然——使用内置的
search(String query)方法定位关键字或正则表达式模式。 - 我需要许可证吗? 免费试用密钥可用于评估;在生产部署中需要商业许可证。
- 支持哪些 Java 版本? Java 8 及更高版本与当前 SDK 完全兼容。
- 如何提取表单数据? 调用
extractFormData()方法,它返回一个字段名及其值的映射。 - 我能高效搜索文档文本吗? 可以——向
search()调用传入SearchOptions对象,以进行不区分大小写或基于正则表达式的搜索,支持数千页的规模。
什么是 “extract text java”?
How to extract text java 指的是在 Java 应用中加载文档(PDF、DOCX、XLSX 等),并通过 API 检索其原始或格式化的文本内容的过程。GroupDocs.Parser 读取文件结构,解码文本流,并返回字符串或文本片段集合,从而支持后续的索引、分析或转换流水线。
为什么在 Java 中使用 GroupDocs.Parser?
GroupDocs.Parser 支持 100+ 文件格式——包括 PDF、DOCX、XLSX、PPTX、HTML 以及常见的图像类型——无需 Adobe Acrobat 或 Microsoft Office 等外部软件。它在普通服务器硬件上快速处理数百页的文档,并提供两种提取模式:preserve layout(保留布局)用于列感知输出,raw(原始)用于最高速度。该库还提供原生的 search、form‑data extraction 和 metadata retrieval,成为面向文档的应用的一站式解决方案。
常见使用场景
- 搜索引擎 – 将提取的纯文本导入 Lucene、Elasticsearch 或 OpenSearch 进行全文索引。
- 内容迁移 – 通过一次性提取文本、图像和元数据,将旧版 PDF 和 Word 文件迁移到 CMS。
- 合规审计 – 使用
search()API 扫描合同中的特定条款。 - 表单处理 – 使用
extractFormData()提取 PDF 表单字段,实现发票处理自动化。
前置条件
- 已在开发机器或服务器上安装 Java 8+ 运行时。
- 用于依赖管理的 Maven 或 Gradle。
- 有效的 GroupDocs.Parser for Java 许可证密钥(或用于评估的试用密钥)。
教程分类
入门指南
一步步的教程,教您安装库、应用许可证以及运行首个文档解析代码。
文档加载
指南,介绍如何从本地磁盘、流、URL 加载文档以及处理受密码保护的文件。
文本提取
教程演示纯文本、格式化文本和保留布局的提取技术。
文本搜索
学习使用关键字、正则表达式以及高级 SearchOptions 进行搜索。
图像提取
完整步骤,提取所有嵌入图像并保存到磁盘。
表格提取
如何提取表格数据并转换为 CSV 或 JSON。
元数据提取
检索文档属性,如作者、创建日期和自定义元数据字段。
超链接提取
从任何受支持的文档类型中提取并解析超链接。
目录提取
导航并提取文档的目录。
条码提取
检测并解码嵌入在 PDF 或图像中的条码。
表单提取
提取 PDF 表单字段、下拉选择和复选框。
格式化文本提取
以 HTML、Markdown 或 RTF 格式导出文本。
模板解析
使用模板将文档章节映射到结构化数据模型。
邮件解析
从 .eml 和 .msg 文件中提取邮件正文、附件和元数据。
文档信息
查询支持的功能、格式能力和版本详情。
容器格式
处理 ZIP 存档、PDF 组合文档等容器类型。
页面预览生成
生成缩略图或完整页面预览,以便快速视觉检查。
OCR 集成
添加光学字符识别(OCR),从扫描图像中提取文本。
数据库集成
将解析器连接到关系型数据库,以进行批量处理。
如何在 Java 中提取表单数据?
使用 extractFormData() 方法一次性检索字段名和值的映射。 此方法解析 PDF 或 Word 表单,并返回一个 Map<String, String>,其中每个键是表单字段名,值是用户提供的内容。它非常适合自动化发票处理、调查分析或任何依赖结构化输入的工作流。
如何在 Java 中搜索文档文本?
调用 search(String query) 方法在整个文档中定位精确短语或正则表达式模式。 该方法返回一组 SearchResult 对象,包含页码和高亮片段,使您能够在 UI 中显示结果或将其传递给下游分析。对于不区分大小写或模糊匹配,可在查询时传入配置好的 SearchOptions 实例。
常见问题及解决方案
- 大文件的内存消耗 – 切换到流式 API (
Parser.open(InputStream)) 逐块读取文档,降低堆内存使用。 - 提取文本布局不正确 – 启用 “preserve layout” 选项;它保持列、表格和缩进对齐。
- 缺少图像 – 确认源文档未加密;如果已加密,请在加载文件时提供密码。
支持
如果您遇到任何问题或对 GroupDocs.Parser for Java 有疑问,可以:
- 访问 文档门户
- 浏览 API 参考
- 在 GroupDocs 论坛 寻求帮助
- 查看 GitHub 上的代码示例
今天就开始探索我们的教程,释放文档解析和数据提取在 Java 应用中的全部潜力。
常见问题
Q: 如何开始使用 Java 提取文本?
A: 添加 Maven 依赖,使用文件路径创建 Parser 实例,并调用 extractText()。此单行调用返回整个文档的纯文本。
Q: 在提取文本的同时能提取图像吗?
A: 可以。加载文档后,在同一解析器实例上调用 extractImages() 以检索所有嵌入的图片。
Q: 文档内部搜索有哪些选项?
A: 使用 search(),可以传入简单的关键字字符串或正则表达式模式。通过传入 SearchOptions 对象来启用不区分大小写、全词匹配或结果分页等功能。
Q: API 是否支持受密码保护的文件?
A: 当然。构造 Parser 对象时提供密码,库会自动解密文档。
Q: 文件大小是否有限制?
A: 没有硬性大小限制,但处理多 GB 文件时使用流式 API 有助于保持低内存使用。
Q: 如何从 PDF 中提取表单数据?
A: 调用 extractFormData();它返回字段名到提交值的映射,支持复选框、单选按钮和文本字段。
Q: 执行快速文本搜索的最佳方式是什么?
A: 将 search() 与 SearchOptions 实例结合使用,在仅需要页码时禁用不必要的功能(如高亮),可显著提升大规模集合的性能。
最后更新: 2026-10-07
测试环境: GroupDocs.Parser for Java 23.12
作者: GroupDocs