科技行者

行者学院 转型私董会 科技行者专题报道 网红大战科技行者

知识库

知识库 安全导航

至顶网软件频道java抽取word,pdf的四种武器

java抽取word,pdf的四种武器

  • 扫一扫
    分享文章到微信

  • 扫一扫
    关注官方公众号
    至顶头条

  chris (chris@matrix.org.cn)   毕业于中国人民大学信息学院   2003 年 6 月      很多人用java进行文档操作时经常会遇到一个问题,就是如何获得word,excel,pdf等文档的内容?我研究了一下。

作者:中国IT实验室 来源:中国IT实验室 2007年9月26日

关键字: 编程 java

  • 评论
  • 分享微博
  • 分享邮件

  chris (chris@matrix.org.cn)
  毕业于中国人民大学信息学院
  2003 年 6 月
  
  很多人用java进行文档操作时经常会遇到一个问题,就是如何获得word,excel,pdf等文档的内容?我研究了一下,在这里总结一下抽取word,pdf的几种方法。
  1 .用jacob
  其实jacob是一个bridage,连接java和com或者win32函数的一个中间件,jacob并不能直接抽取word,excel等文件,需要自己写dll哦,不过已经有为你写好的了,就是jacob的作者一并提供了。
  
  jacob jar与dll文件下载: http://www.matrix.org.cn/down_view.asp?id=13
  
  下载了jacob并放到指定的路径之后(dll放到path,jar文件放到classpath),就可以写你自己的抽取程序了,下面是一个简单的例子:
  
  
  import java.io.File;
  import com.jacob.com.*;
  import com.jacob.activeX.*;
  /**
   * Title: pdf extraction
   * Description: email:chris@matrix.org.cn
   * Copyright: Matrix Copyright (c) 2003
   * Company: Matrix.org.cn
   * @author chris
   * @version 1.0,who use this example pls remain the declare
   */
  public class FileExtracter{
   public static void main(String[] args) {
   ActiveXComponent component = new ActiveXComponent("Word.Application");
   String inFile = "c:\\test.doc";
   String tpFile = "c:\\temp.htm";
   String otFile = "c:\\temp.xml";
   boolean flag = false;
   try {
   component.setProperty("Visible", new Variant(false));
   Object wordacc = component.getProperty("document.").toDispatch();
   Object wordfile = Dispatch.invoke(wordacc,"Open", Dispatch.Method,
   new Object[]{inFile,new Variant(false), new Variant(true)},
   new int[1] ).toDispatch();
   Dispatch.invoke(wordfile,"SaveAs", Dispatch.Method, new Object[]{tpFile,new Variant(8)}, new int[1]);
   Variant f = new Variant(false);
   Dispatch.call(wordfile, "Close", f);
   flag = true;
   } catch (Exception e) {
   e.printStackTrace();
   } finally {
   component.invoke("Quit", new Variant[] {});
   }
   }
  }
  
  
  
  
  2. 用apache的poi来抽取word,excel。
  poi是apache的一个项目,不过就算用poi你可能都觉得很烦,不过不要紧,这里提供了更加简单的一个接口给你:
  
  下载经过封装后的poi包: http://www.matrix.org.cn/down_view.asp?id=14
  
  下载之后,放到你的classpath就可以了,下面是如何使用它的一个例子:
  
  
  import java.io.*;
  import org.textmining.text.extraction.WordExtractor;
  /**
   *

Title: word extraction


   *

Description: email:chris@matrix.org.cn


   *

Copyright: Matrix Copyright (c) 2003


   *

Company: Matrix.org.cn


   * @author chris
   * @version 1.0,who use this example pls remain the declare
   */
  
  public class PdfExtractor {
   public PdfExtractor() {
   }
   public static void main(String args[]) throws Exception
   {
   FileInputStream in = new FileInputStream ("c:\\a.doc");
   WordExtractor extractor = new WordExtractor();
   String str = extractor.extractText(in);
   System.out.println("the result length is"+str.length());
   System.out.println("the result is"+str);
  }
  }
  
  
  
  
  3. pdfbox-用来抽取pdf文件
  但是pdfbox对中文支持还不好,先下载pdfbox: http://www.matrix.org.cn/down_view.asp?id=12
  
  下面是一个如何使用pdfbox抽取pdf文件的例子:
  
  
  import org.pdfbox.pdmodel.PDdocument.
  import org.pdfbox.pdfparser.PDFParser;
  import java.io.*;
  import org.pdfbox.util.PDFTextStripper;
  import java.util.Date;
  /**
   *

Title: pdf extraction


   *

Description: email:chris@matrix.org.cn


   *

Copyright: Matrix Copyright (c) 2003


   *

Company: Matrix.org.cn


   * @author chris
   * @version 1.0,who use this example pls remain the declare
   */
  
  public class PdfExtracter{
  
  public PdfExtracter(){
   }
  public String GetTextFromPdf(String filename) throws Exception
   {
   String temp=null;
   PDdocument.nbsppdfdocument.null;
   FileInputStream is=new FileInputStream(filename);
   PDFParser parser = new PDFParser( is );
   parser.parse();
   pdfdocument.nbsp= parser.getPDdocument.);
   ByteArrayOutputStream out = new ByteArrayOutputStream();
   OutputStreamWriter writer = new OutputStreamWriter( out );
   PDFTextStripper stripper = new PDFTextStripper();
   stripper.writeText(pdfdocument.getdocument.), writer );
   writer.close();
   byte[] contents = out.toByteArray();
  
   String ts=new String(contents);
   System.out.println("the string length is"+contents.length+"\n");
   return ts;
  }
  public static void main(String args[])
  {
  PdfExtracter pf=new PdfExtracter();
  PDdocument.nbsppdfdocument.nbsp= null;
  
  try{
  String ts=pf.GetTextFromPdf("c:\\a.pdf");
  System.out.println(ts);
  }
  catch(Exception e)
   {
   e.printStackTrace();
   }
  }
  
  }
  
  
  
  
  4. 抽取支持中文的pdf文件-xpdf
  xpdf是一个开源项目,我们可以调用他的本地方法来实现抽取中文pdf文件。
  
  下载xpdf函数包: http://www.matrix.org.cn/down_view.asp?id=15
  
  同时需要下载支持中文的补丁包: http://www.matrix.org.cn/down_view.asp?id=16
  
  按照readme放好中文的patch,就可以开始写调用本地方法的java程序了
  
  下面是一个如何调用的例子:
  
  
  import java.io.*;
  /**
   *

Title: pdf extraction


   *

Description: email:chris@matrix.org.cn


   *

Copyright: Matrix Copyright (c) 2003


   *

Company: Matrix.org.cn


   * @author chris
   * @version 1.0,who use this example pls remain the declare
   */
  
  
  public class PdfWin {
   public PdfWin() {
   }
   public static void main(String args[]) throws Exception
   {
   String PATH_TO_XPDF="C:\\Program Files\\xpdf\\pdftotext.exe";
   String filename="c:\\a.pdf";
   String[] cmd = new String[] { PATH_TO_XPDF, "-enc", "UTF-8", "-q", filename, "-"};
   Process p = Runtime.getRuntime().exec(cmd);
   BufferedInputStream bis = new BufferedInputStream(p.getInputStream());
   InputStreamReader reader = new InputStreamReader(bis, "UTF-8");
   StringWriter out = new StringWriter();
   char [] buf = new char[10000];
   int len;
   while((len = reader.read(buf))>= 0) {
   //out.write(buf, 0, len);
   System.out.println("the length is"+len);
   }
   reader.close();
   String ts=new String(buf);
   System.out.println("the str is"+ts);
   }
  }
  
  
  
  
  关于作者
  作者简介:chris,毕业于中国人民大学信息学院。现于香港进行金融分析软件研发,作者亦活跃于 jxta p2p开源软件的开发社区,并热衷于网络安全,AI搜索引擎技术与基于java的游戏引擎技术。
  如果大家谁有更好的办法,请告诉作者 : chris@matrix.org.cn
  

查看本文来源

    • 评论
    • 分享微博
    • 分享邮件