parsen von verschiedenen dokument typen

[jollyroger]

hi!

ich suche open-source (und wenn möglich) kostenlose APIs zum parsen der dokumenttypen pdf, doc und html...

da hab ich nun schon einiges gefunden, gerne würde ich dazu nun eure meinungen / ideen / erfahrungen hören, da ich mich leider mit keiner der unten aufgeführten APIs auskenne.

das schlechte zuerst:

doc:

kann es sein das es für das parsen von ms-word dokumenten nichts bzw. fast nichts gibt? das einzige was ich bisher gefunden hab war das Jakarta POI - HWPF projekt, das kann aber leider bisher nur word-97 dokumente lesen...

kann mir dazu jemand eine (wenns nicht anders geht auch kostenpflichtige) API empfehlen?

pdf:

dazu hab ich ein paar gefunden:

- PJ bzw. PJX von Etymon
- JPedal
- PDFBox

welches von denen würdet ihr mir empfehlen?
oder kennt ihr vielleicht ein anderes / besseres?

html:

hierzu hab ich eine ganze menge gefunden, diese vielfalt ist etwas verwirrend:

- NekoHTML
- HTML Parser
- Jericho HTML Parser
- JTidy
- TagSoup
- HotSax

bin erschlagen von der vielfalt, eine kurze empfehlung wäre sehr hilfreich!

was für APIs / tools verwendet ihr denn für solche Aufgaben?


danke für alle tips!

 

[byte]

Kann nur zum Parsen von PDFs etwas beisteuern. Habe in der Vergangenheit einige getestet, im Speziellen um Bilder aus PDF-Dateien zu extrahieren. Richtig funktioniert hat das nur mit den PDF-Tools. Es gibt ne Evaluierungslizenz zum freien Testen, jedoch läuft die immer nur jeweils für eine begrenzte Zeit. Ansonsten muss man halt Geld dafür bezahlen (wie bei fast allen anderen PDF-Parsern auch). Die anderen Parser, die ich getestet habe, haben alle immer bei irgendwelchen Bildern Probleme gehabt.

 

[SamHotte]

Zu MS-Office gibt's nicht viel, die halten ihr Dateiformat im Wesentlichen geheim. Da aber OpenOffice.org die Formate lesen kann, könntest du dort evtl. was finden (ist ja ein OpenSource-Projekt).

 

[jollyroger]

Die anderen Parser, die ich getestet habe, haben alle immer bei irgendwelchen Bildern Probleme gehabt.

sry, hätte vielleicht erwähnen sollen, das es nur um dem text geht, bilder und andere nicht-text elemente spielen keine rolle...

für word hab ich noch gefunden (kommerziell):

- wordcnv
- davisor offisor

hat jemand schon mal erfahrung gesammelt? ein java-tool was mir einfach den text eines word-dokument ausliest würde mir auch schon reichen, den parser werd ich dann wohl eh (leider) selber schreiben müssen.....

habt ihr vielleicht noch eine empfehlung für den html-parser?
für mich sehen die alle mehr oder weniger gleich aus.......

danke soweit!