Java语言中抽取word、pdf的四种步骤

Java语言中抽取word、pdf的四种方法

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，下面是一个例子：

?

import java.io.File;import com.jacob.com.*;import com.jacob.activeX.*; public class FileExtracter{public static void main(String[] args) {ActiveXComponent app = new ActiveXComponent("Word.Application");String inFile = "c:\test.doc";String tpFile = "c:\temp.htm";String otFile = "c:\temp.xml";boolean flag = false;try {app.setProperty("Visible", new Variant(false));Object docs = app.getProperty("document．").toDispatch();Object doc = Dispatch.invoke(docs,"Open", Dispatch.Method, new Object[]{inFile,new Variant(false), new Variant(true)}, new int[1]).toDispatch();Dispatch.invoke(doc,"SaveAs", Dispatch.Method, new Object[]{tpFile,new Variant(8)}, new int[1]);Variant f = new Variant(false);Dispatch.call(doc, "Close", f);flag = true;} catch (Exception e) {e.printStackTrace();} finally {app.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;/*** <p>Title: pdf extraction</p>* <p>Description: email:chris@matrix.org.cn</p>* <p>Copyright: Matrix Copyright (c) 2003</p>* <p>Company: Matrix.org.cn</p>* @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;/*** <p>Title: pdf extraction</p>* <p>Description: email:chris@matrix.org.cn</p>* <p>Copyright: Matrix Copyright (c) 2003</p>* <p>Company: Matrix.org.cn</p>* @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+"");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.*;/*** <p>Title: pdf extraction</p>* <p>Description: email:chris@matrix.org.cn</p>* <p>Copyright: Matrix Copyright (c) 2003</p>* <p>Company: Matrix.org.cn</p>* @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);}}

?