чем разобрать odt?

Есть ли возможность установить требование наличия LibreOffice на ПК пользователя твоей софтины?

ну вариант, да, но пока что-то не хочется... это бэкэнд.

У LibreOffice есть какая-то консольная «база»? Может libreoffice-core это и есть то самое минимальное, что можно дергать через их API?

А в Tika что сейчас используется?

http://www.odfkit.org/UsingOdfkit.html

поборол вот так:

    private static String getTextFromNode (Node node) {
        return
            IntStream
                .range(0, node.getChildNodes().getLength())
                .mapToObj((int idx) -> {
                    if (node.getChildNodes().getLength() > 1)
                        return getTextFromNode(node.getChildNodes().item(idx));
                    else
                        return node.getTextContent();
                })
                .collect(Collectors.joining(" "));
    }

В зависимости от того, что тебе нужно, и документы какой сложности ты анализируешь, есть ещё вариант разархивировать odt и напрямую разбирать нижележащий XML. У odt довольно понятная простым смертным структура (по крайней мере, в случае простых документов), и вытянуть текст не составит особого труда. Хочу, правда предупредить, что у него есть привычка оборачивать <elem>отдельные куски текста в дополнительные тэги</elem> без особых на то причин, поэтому тут нужно быть внимательным при разборе XML.

разархивировать odt и напрямую разбирать нижележащий XML

ну вот только этого мне и не хватало ))

Есть мнение, что это намного проще, чем подключать отдельную библиотеку по полному парсингу офисных форматов и до посинения разбираться, какой десяток из over9000 функций оттуда тебе действительно нужен.

А так - да, хозяин-барин.

Дополню: Если задача строго стоит ограничиться ODT, парсить руками XML однозначно проще. Если же в перспективе надо будет добавить к понимаемым форматам docx, rtf или (чур меня, чур меня!) doc от Word 2003, то таки библиотека.

парсить руками XML однозначно проще.

ну мое решение я показал выше, опустив всякие Files.readAllBytes.

покажи класс, распарси xml руками :)

Можно написать макрос на одном из встроенных в LibreOffice языков (как минимум это Basic и Python), который будет делать то, что тебе нужно. Макросы умеют:

1) Заставлять LibreOffice открывать/закрывать документы, получать доступ к содержимому документа.

2) Работать с внешними файлами. В смысле там есть команды для открытия файлов и чтения/записи туда.

Таким образом можно написать некий конвертер, который будет в автоматическом режиме грузить документ, выделять оттуда всё нужное и сохранять в текстовый файл в нужном тебе формате. Да, список файлов для обработки тоже можно прочитать из текстового файла. Также вроде как можно сделать так, чтобы при открытии документа автоматически запустился указанный макрос. Соответственно, задача сводится к тому, чтобы запустить LibreOffice, передав ему в качестве аргумента командной строки путь к файлу со встроенным твоим макросом, а потом забрать созданные им файлы.

Минусы - это не самый оптимальный вариант (придётся запускать целый офисный пакет) + нужны иксы.

+ нужны иксы

Когда-то я пытался чето делать через скрипт на Python + LibreOffice (PyUno), вроде графические программы не запускались. Откуда инфа про иксы, headless оно не может?

IntStream
node.getChildNodes().getLength() x2
node.getChildNodes() x3

Достижение открыто: «эталонный быдлокод»

для извращенцев есть http://api.libreoffice.org/

Я не знаю. Я просто предложил вариант вообще использовать встроенный макроязык LibreOffice.

    private static String getTextFromNode (Node node) {
        NodeList childs = node.getChildNodes();
        Integer childCount = childs.getLength();
        return
            IntStream
                .range(0, childCount)
                .mapToObj((int idx) -> {
                    if (childCount > 1)
                        return getTextFromNode(childs.item(idx));
                    else
                        return node.getTextContent();
                })
                .collect(Collectors.joining(" "));
    }

пусть мне стало стыдно :)

IntStream

а чем плох?

бритвой оккама, у тебя банальный цикл, который даже не нужен если childCount == 1, а ты еще суешь if унутыль лямбды, прямо мастер обфускации.

Стримы худо-бедно имеет смысл юзать когда у тебя удобно использовать ссылки функции:

return
            IntStream
                .range(0, childCount)
                .mapToObj(childs::item))
                .map(this::getTextFromNode)   
                .collect(Collectors.joining(" "));

но тогда надо вынести if, а если просто использовать for(int i = 0; ... - то оно будет еще и понятнее, и со временем ты дойдешь до мысли, что можно использовать StringBuilder предавая его в getTextFromNode - что на больших документах даст заметную экономию. Ну и потом может потребуется скипать пустые строки и т.п.