我的任务是从数百个人类可读文档（主要是 MS Word）中提取一些结构化信息，并将其放入数据库中。数据几乎嵌入整个文档的表格中，但表格之间有很多文本，尽管文档在结构上非常相似，但还是有一些差异。文档经常更改（我们每隔几个月就会得到一个更新版本）
到目前为止，我能想到的唯一可行的选择是手动浏览所有文档并插入/更新信息，但我想我会在这里问是否有人认为可以以某种方式刮取文档？
哦，数据必须相当正确......
问问题
3022 次
1 回答
2
我使用从 RTF 到 FO的转换器做了类似的工作（虽然没有表格）。
您已将文档转换为 RTF，然后再转换为 FO，这为您提供了一个很好的文档 XML 结构。然后，您可以轻松解析它并抓取数据。
于 2010-11-17T09:41:44.193 回答