如何提取rtf表

Question

我有一个 rtf 文件。它有很多 table 里面。我一直在尝试使用 java（POI 和 tika）来提取 table。这在 .doc 中很容易，其中 tables 是这样定义的。但是在 rtf 文件中似乎没有任何 'this is a table' 标记作为元数据的一部分。有谁知道从这样的文件中提取 table 的最佳策略是什么？将其转换为另一种文件格式有帮助。有什么线索可以让我查找吗？

Answer 1

有一个linux工具叫unrtf，看看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 来轻松操作 html/xml 和提取表格。够你用吗？

Answer 2

感谢hexin的回答。最后，我能够通过使用 TXTParser 来使用 Tika，然后将粗体标记之间的所有段（这是我的表的分隔方式）放入数组列表中。我不得不使用制表符分隔符从那里定义表格。这是没有位的代码，可以根据选项卡提取表格（仍在处理中）：

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);
 }

 }
}

如何提取rtf表

How to extract rtf tables

java

text

rtf

text-mining

text-extraction