Парсинг сложного документа RTF, извлечение табличных данных и разбиение на страницы, как?

Question

[#]

изначально задача показалась простой, но ни в лоб, ни найделенными на джите парой парсеров, ни чего не получилось. что несколько обескуражило.

кстати, есть критичное ограничение - все компоненты должны быть легальными и свободными

буду благодарен за наводки!

upd по мотивам ответов/каментов на данный момент - это автогенеренный отчет, многостраничный, несколько однотипнх документов, с табличными формами. надо нарезать на страницы и снять выборочно инфу - допустим дата документа и часть табличных данных. и ни каких тегов поля не имеют
.. и дерево элементов построенное https://github.com/sgolivernet/nrtftree имеет 620331 строку ))

Comments

[d'Ivan]

Использование промежуточных форматов возможно?

[#]

Роман Мирр, скорее да, таких ограничений не накладывалось

[#]

Роман Мирр, кстати, там вообщето надо еще нарезанные страницы конвертить в pdf, и уже проскакивала крамольная мысль - может "сканить" инфу с пдфника будет проще? )))

[d'Ivan]

есть критичное ограничение - все компоненты должны быть легальными и свободными

RtfDomParser - это клон проекта RDP с лицензией GPLv2 со всеми вытекающими отсюда последствиями.

[#]

Роман Мирр,

RtfDomParser - это клон проекта RDP с лицензией GPLv2 со всеми вытекающими отсюда последствиями.

.. бегло освежил .. думаю в данном случае не помеха ))

это был первый встречный вопрос от меня - имеются ли ограничения на применение опенсорсных лицензий, ответ был четкий - нет.

главное не покупать

возможно опонент не вдавался в подробности, или не совсем понял о чем я.. но пока тут просто отвалились массы платных триальных компонентов ))

[d'Ivan]

#,

главное не покупать

Суть лицензии GPLv2 не в том как покупать/продавать, а ограничения, связанные с распространением ПО. А это совсем не мелочи для проприетарного ПО, в котором хотят использовать наработки кода с лицензией GPLv2.

[#]

Роман Мирр, да да, но повторюсь - в данном случае, этого либо не понимают, либо не важно. это тест. и ограничение было уточнено

не покупать

остальное можно все

Answer 1

[#]

1 - https://github.com/SourceCodeBackup/RtfDomParser лучший кандидат на извлечение данных. и уж точно на экпресс иследование

надо было просто научится его готовить

к счастью структура документа довольно четкая, по этому все решаемо. но либо не умеет сохранять модифицированные документы, либо я все еще не понимаю как пользоваться тамошний Writer-ом

2 - https://github.com/sgolivernet/nrtftree умеет сохранять текущее состояние, а значит может быть использован для нарезки. если научиться применять знания о структуре, полученные с помощью RtfDomParser. возможно и парсить можно.. но время выполнения задания не бесконечно. так что нарезку видимо придется делать средствами печати в PDF, явно будет быстрее (по условиям задания, на выхлопе нужны постраничные PDF)

Comments

[d'Ivan]

Формирование страниц - это отдельная песня. Лучше решать эту задачу при помощи генераторов PDF или виртуальных принтеров в PDF (если позволяется поштучно).

[#]

Роман Мирр, документ четко структурированный, 1 букмарк и 15 параграфов на страницу. в теории можно исследовать с помощью RtfDomParser и просто вырезать из оригинала nrtftree

[#]

Роман Мирр, nrtftree дал возможность порезать. известно что одно однотипных страниц 11. опорная точка код отсюда https://www.codeproject.com/Articles/11306/NRTFTre...

режем ноды 111 и 112 (разделитель страниц) и бинго! (в смысле корректный rtf без первой страницы. далее конвертить в пдф уже точно буду вордом, поштучно, а парсить RtfDomParser, уже часть пути пройдена )))

Answer 2

[сергей кузьмин]

прицепите свой "сложный документ RTF" пожалуйста. посмотреть справится лис ним https://poi.apache.org/components/document/

Comments

[#]

1 - документ не могу, он тестовый фейк, но лишь на половину. есть инфа о компании, довольно много. делать упрощенку - ну блин он реально такой плотный, не до этого, кодить буду )))

2 - задача то шарповая. если притягивать артиллерию с целой jvm - зачета не будет ))

[сергей кузьмин]

по моему - java намного проще C# (попробовать обеих наверное особый фан). нельзя разве заменить все букыв на '*' ? интересен вашего документа deply nested RTF layout а не инфа о компании

[#]

sergueik,
1 - букав реально много (и страниц 11)
2 - это тест на вакансию шарпера
3 - смотреть инструменты для работы с OpenXML не интересно. есть родной SDK, но исходник rtf автогенереный. при конверсии в OpenXML(.docx) в нем что то получается весьма мутно ))) - ворд не способен порезать его корректно на страницы. селектит только разделители, по этому получаются накладки контента вместо удаления. но задача уже решена см камент к моему собственному ответу
4 - недавно проходил простейший тест на яву (с этим заданием не сравнить, блиц опросник по языку), но действительно стало даже немного интересно. но шарп люблю, и варюсь в нем давно
5 - .. и хочу спать ))