OFD开发系列（三）-文本提取

来源：OFD开发系列（三）-文本提取_ofdrw-CSDN博客

 一、提取场景
和之前文章类似，我们首先明确文本提取的场景。文本提取是指提取OFD正文的文本数据，然后将文本存储到搜索引擎以对OFD文档进行更好的归档、检索等；文本也可以提取摘要数据方便预览信息；文本还可以分词、分类等，对文档进行智能化分类。这些用法，大大的提高了文档检索效率。注意，ofdrw的文本提取不包含模板页，只提取正文页。

二、准备工作
同样的，我们首先引入ofdrw的依赖包，如下所示：

    junit
    junit
    4.12
    provided

 

    commons-io
    commons-io
    2.6
    provided

 


    org.ofdrw
    ofdrw-full
    1.6.10

其次，我们准备一个待提取文本的文档，此处我们对一个电子发票进行提取（文档为测试所用，侵权联系删除），如下所示：

三、调用API

3.1、提取全部

示例代码如下：

@Test
public void testContentExtractor() {
    try (OFDReader reader = new OFDReader(Paths.get("src/test/resources/b.ofd"))) {
        ContentExtractor extractor = new ContentExtractor(reader);
        for (String content : extractor.extractAll()) {
            System.out.println(content);
        }
    } catch (IOException e) {
        e.printStackTrace();
    }
}

提取结果如下：

3.2、指定页提取

@Test
public void testContentExtractor() {
    try (OFDReader reader = new OFDReader(Paths.get("src/test/resources/c.ofd"))) {
        ContentExtractor extractor = new ContentExtractor(reader);
        //指定页提取
        List pageContent = extractor.getPageContent(1);
        for (String content : pageContent) {
            System.out.println(content);
        }
    } catch (IOException e) {
        e.printStackTrace();
    }
}

3.3、指定接收器

此处接收器回调函数会返回页码和对应页码提取出来的文本，如下：

@Test
public void testContentExtractor() {
    try (OFDReader reader = new OFDReader(Paths.get("src/test/resources/c.ofd"))) {
        ContentExtractor extractor = new ContentExtractor(reader);
        //指定页提取
        extractor.traverse((page, content) -> System.out.println(page + "," + content));
    } catch (IOException e) {
        e.printStackTrace();
    }
}

四、写在最后

下一篇我们将对关键字提取做简单介绍，关键字提取和文本提取不同，关键字提取会返回关键字对应的坐标页码，以方便我们对合同内容进行定位，签章等