java抽取word,pdf的四种武器

　　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