我们需要使用 Java 从给定的文本文档中获取树状结构。使用的文件类型应该是通用且开放的(rtf、odt，...)。目前我们使用 Apache Tika 解析多个文档中的纯文本。
我们应该使用什么文件类型和 API 才能最可靠地解析正确的结构？如果 Tika 可以做到这一点，我很乐意看到任何演示。
例如，我们应该从给定文档中获取此类数据:
Main Heading
Heading 1
Heading 1.1
Heading 2
Heading 2.2
主标题是论文的标题。论文有两个主标题，标题 1 和标题 2，并且都有一个副标题。我们还应该获取每个标题下的内容(段落文本)。
感谢任何帮助。
最佳答案
OpenDocument (.odt) 实际上是一个包含多个 xml 文件的 zip 包。 Content.xml 包含文档的实际文本内容。我们对标题感兴趣，它们可以在 text:h 标签内找到。了解更多关于 ODT .
我找到了一个从 .odt 文件中提取标题的实现 QueryPath .
由于最初的问题是关于 Java 的，所以就在这里。首先，我们需要使用 ZipFile 访问 content.xml。然后我们使用SAX从content.xml中解析出xml内容。示例代码简单地打印出所有标题:
Test3.odt
content.xml
3764
1 My New Great Paper
2 Abstract
2 Introduction
2 Content
3 More content
3 Even more
2 Conclusions
<code><p></p>
<p>Sample code:</p>
</code><pre><code> public void printHeadingsOfOdtFIle(File odtFile) {
try {
ZipFile zFile = new ZipFile(odtFile);
System.out.println(zFile.getName());
ZipEntry contentFile = zFile.getEntry("content.xml");
System.out.println(contentFile.getName());
System.out.println(contentFile.getSize());
XMLReader xr = XMLReaderFactory.createXMLReader();
OdtDocumentContentHandler handler = new OdtDocumentContentHandler();
xr.setContentHandler(handler);
xr.parse(new InputSource(zFile.getInputStream(contentFile)));
} catch (Exception e) {
e.printStackTrace();
}
}
public static void main(String[] args) {
new OdtDocumentStructureExtractor().printHeadingsOfOdtFIle(new File("Test3.odt"));
}
</code></pre>
<p>Relevant parts of used ContentHandler look like this:</p>
@Override
public void startElement(String uri, String localName, String qName, Attributes atts) throws SAXException {
temp = "";
if("text:h".equals(qName)) {
String headingLevel = atts.getValue("text:outline-level");
if(headingLevel != null) {
System.out.print(headingLevel + " ");
}
}
}
@Override
public void characters(char[] ch, int start, int length) throws SAXException {
char[] subArray = new char[length];
System.arraycopy(ch, start, subArray, 0, length);
temp = new String(subArray);
fullText.append(temp);
}
@Override
public void endElement(String uri, String localName, String qName) throws SAXException {
if("text:h".equals(qName)) {
System.out.println(temp);
}
}
关于java - 用Java解析文档结构，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/4962102/