JAVA文件搜索过程中如何得到各种文件内容(office文件,PDF,邮件,mht,思维导图等)

现在流行的搜索引擎 Lucene, Elasticsearch处理文件搜索时一般使用 tika，使用tika 处理文件正文搜索还好，但搜索结果显示正文等操作不是很方便，并且tika提取正文的速度比较慢。老版本还有很多外部依赖程序，安全性不好。

笔者给大家介绍一款调用方便，提取文件正文速度快，开发方便的组件供大家参考。

“Graccvs正文提取组件”全部用go语言实现，不依赖外部工具，效率高，安全性非常好。可以直接在操作系统上开发使用，不要求JAVA等其他环境支持，而且从设计上避免了环境依赖或者解析器框架带来的占用CPU过高和安全性问题。组件提取文本速度快，质量高，跨平台，支持多任务并发，开发简单成本低。提供多种语言接口及使用示例。

“Graccvs正文提取组件”支持很多文件格式：

A: pdf文件

B: office word文件 ".doc", ".odt", ".docx", ".dotm", ".docm"

    C: wps文档 ".wps"

    D: office excel文件 ".xls", ".xlsx", ".xlsm", ".xltm"

    E: wps表格 ".et"

    F: office powerPoint文件 ".ppt", ".pptx", ".potm", ".pptm", ".ppsm"

    G: wps演示 ".dps"

    H: 开放文档格式 ".ofd", 注：常见于“电子发票版式文件”

    I: 富文本类型 ".rtf"

    J: HTML页面文件  ".html", ".htm", ".mht", ".mhtml"

    K: 邮件格式文件 ".eml", 注：默认提取前5个附件

    L: 部分思维导图格式文件 ".emmx", "xmind", "gmind"

    M: UTF8编码, Unicode编码, Ansi编码的文本文件，

           ".txt", ".c", ".h", ".cpp", ".m", ".asp", ".aspx", ".cs", ".pas",

          ".php", ".vb", ".bas", ".js", ".css", ".java", ".jsp", ".go",

           ".pl", ".perl", ".ps", ".py", ".python", ".sql", ".rs", ".dart"

          注：可以在配置文件中增加纯文本文件后缀　

      N: 帮助文件 “*.chm"，注：此格式仅限Windows平台

     O: 压缩文件 ".zip", 注：默认提取前5个文件

以下是 使用Eclipse开发工具，Java调用动态链接库示例：

调用过程：
1：创建JAVA工程。
2：工程导入调用DLL的扩展包Native（jna-jpms-5.9.0.jar 和 jna-platform-jpms-5.9.0.jar）。
3：拷贝 graccvs64.dll到工程中，LibGraccvs.java单元修改DLL位置（默认在exe输出位置）。
4：实现提取文件正文函数，点击这里查看