我已经通过 APACHE POI项目并发现它对于从 MS word 文件中提取文本内容很有用。具体来说，有一个功能叫做 Text Extraction在有效地完成工作的 POI 中。我也听说过 Apache Tika它在内部使用 Apache POI。
现在，我们的 Rails 网络应用程序需要从 word (.doc) 文件中提取文本内容。我们可以将 Apache POI/Apache Tika 集成到我的网络应用程序中以达到我的目的的可能性有多大？
如果有人对此有相关经验，我很想听听它以及代码片段。
最佳答案
您最好的选择是使用 Apache Tika JAXRS server，因为您没有在 JVM 上运行，可从 Apache Tika download page 获得.这提供了 RESTful 接口(interface)，让 Tika 从您的文件中提取文本(和元数据)。
因为它是一个独立的服务器，您只需启动 JVM 一次，然后它就会在那里并可用于您发送的每个请求，从而加快处理速度。要输出纯文本，请将您的文档发送到 http://localhost:9998/tika，并使用 Accept: text/plain 的 HTTP 请求 header ，然后您将返回纯文本。
您可以在 Tika Wiki 上找到有关服务器可用 RESTful 端点的更多信息，或者只需启动服务器 (java -jar tika-server-1.X.jar) 并在您的网络浏览器中转到 http://localhost:9998/
关于ruby-on-rails - 使用 Apache POI 从 Ruby on Rails Web 应用程序中的 MS Word (.doc) 文件中提取文本，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/29676439/