java抽取word,pdf等数据

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:[e-mail] * 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[] {});  } }}

回页首

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: word extraction</p> * <p>Description: email:[e-mail]</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);}}

回页首

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:[e-mail]</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+"/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();  }}}

回页首

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:[e-mail]</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);  }}

 

====================================

JAVA EXCEL API简介

 

Java Excel是一开放源码项目，通过它Java开发人员可以读取Excel文件的内容、创建新的Excel文件、更新已经存在的Excel文件。使用该API非Windows操作系统也可以通过纯Java应用来处理Excel数据表。因为是使用Java编写的，所以我们在Web应用中可以通过JSP、Servlet来调用API实现对Excel数据表的访问。

现在发布的稳定版本是V2.0，提供以下功能：

• 从Excel 95、97、2000等格式的文件中读取数据；
• 读取Excel公式（可以读取Excel 97以后的公式）；
• 生成Excel数据表（格式为Excel 97）；
• 支持字体、数字、日期的格式化；
• 支持单元格的阴影操作，以及颜色操作；
• 修改已经存在的数据表；

现在还不支持以下功能，但不久就会提供了：

1. 不能够读取图表信息；
2. 可以读，但是不能生成公式，任何类型公式最后的计算值都可以读出；

回页首

应用示例

 

1 从Excel文件读取数据表

Java Excel API既可以从本地文件系统的一个文件(.xls)，也可以从输入流中读取Excel数据表。读取Excel数据表的第一步是创建Workbook(术语：工作薄)，下面的代码片段举例说明了应该如何操作：(完整代码见ExcelReading.java)

import java.io.*;import jxl.*;… … … …try{//构建Workbook对象, 只读Workbook对象//直接从本地文件创建Workbook//从输入流创建Workbook    InputStream is = new FileInputStream(sourcefile);    jxl.Workbook rwb = Workbook.getWorkbook(is);}catch (Exception e){e.printStackTrace();}

一旦创建了Workbook，我们就可以通过它来访问Excel Sheet(术语：工作表)。参考下面的代码片段：

//获取第一张Sheet表Sheet rs = rwb.getSheet(0);

我们既可能通过Sheet的名称来访问它，也可以通过下标来访问它。如果通过下标来访问的话，要注意的一点是下标从0开始，就像数组一样。

一旦得到了Sheet，我们就可以通过它来访问Excel Cell(术语：单元格)。参考下面的代码片段：

//获取第一行，第一列的值Cell c00 = rs.getCell(0, 0);String strc00 = c00.getContents();//获取第一行，第二列的值Cell c10 = rs.getCell(1, 0);String strc10 = c10.getContents();//获取第二行，第二列的值Cell c11 = rs.getCell(1, 1);String strc11 = c11.getContents();System.out.println("Cell(0, 0)" + " value : " + strc00 + "; type : " + c00.getType());System.out.println("Cell(1, 0)" + " value : " + strc10 + "; type : " + c10.getType());System.out.println("Cell(1, 1)" + " value : " + strc11 + "; type : " + c11.getType());

如果仅仅是取得Cell的值，我们可以方便地通过getContents()方法，它可以将任何类型的Cell值都作为一个字符串返回。示例代码中Cell(0, 0)是文本型，Cell(1, 0)是数字型，Cell(1,1)是日期型，通过getContents()，三种类型的返回值都是字符型。

如果有需要知道Cell内容的确切类型，API也提供了一系列的方法。参考下面的代码片段：

String strc00 = null;double strc10 = 0.00;Date strc11 = null;Cell c00 = rs.getCell(0, 0);Cell c10 = rs.getCell(1, 0);Cell c11 = rs.getCell(1, 1);if(c00.getType() == CellType.LABEL){LabelCell labelc00 = (LabelCell)c00;strc00 = labelc00.getString();}if(c10.getType() == CellType.NUMBER){NmberCell numc10 = (NumberCell)c10;strc10 = numc10.getValue();}if(c11.getType() == CellType.DATE){DateCell datec11 = (DateCell)c11;strc11 = datec11.getDate();}System.out.println("Cell(0, 0)" + " value : " + strc00 + "; type : " + c00.getType());System.out.println("Cell(1, 0)" + " value : " + strc10 + "; type : " + c10.getType());System.out.println("Cell(1, 1)" + " value : " + strc11 + "; type : " + c11.getType());

在得到Cell对象后，通过getType()方法可以获得该单元格的类型，然后与API提供的基本类型相匹配，强制转换成相应的类型，最后调用相应的取值方法getXXX()，就可以得到确定类型的值。API提供了以下基本类型，与Excel的数据格式相对应，如下图所示：

每种类型的具体意义，请参见Java Excel API Document。

当你完成对Excel电子表格数据的处理后，一定要使用close()方法来关闭先前创建的对象，以释放读取数据表的过程中所占用的内存空间，在读取大量数据时显得尤为重要。参考如下代码片段：

//操作完成时，关闭对象，释放占用的内存空间rwb.close();

Java Excel API提供了许多访问Excel数据表的方法，在这里我只简要地介绍几个常用的方法，其它的方法请参考附录中的Java Excel API Document。

Workbook类提供的方法

1. int getNumberOfSheets()
获得工作薄（Workbook）中工作表（Sheet）的个数，示例：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));int sheets = rwb.getNumberOfSheets();

2. Sheet[] getSheets()
返回工作薄（Workbook）中工作表（Sheet）对象数组，示例：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));Sheet[] sheets = rwb.getSheets();

3. String getVersion()
返回正在使用的API的版本号，好像是没什么太大的作用。

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));String apiVersion = rwb.getVersion();

Sheet接口提供的方法

1) String getName()
获取Sheet的名称，示例：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));jxl.Sheet rs = rwb.getSheet(0);String sheetName = rs.getName();

2) int getColumns()
获取Sheet表中所包含的总列数，示例：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));jxl.Sheet rs = rwb.getSheet(0);int rsColumns = rs.getColumns();

3) Cell[] getColumn(int column)
获取某一列的所有单元格，返回的是单元格对象数组，示例：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));jxl.Sheet rs = rwb.getSheet(0);Cell[] cell = rs.getColumn(0);

4) int getRows()
获取Sheet表中所包含的总行数，示例：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));jxl.Sheet rs = rwb.getSheet(0);int rsRows = rs.getRows();

5) Cell[] getRow(int row)
获取某一行的所有单元格，返回的是单元格对象数组，示例子：

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));jxl.Sheet rs = rwb.getSheet(0);Cell[] cell = rs.getRow(0);

6) Cell getCell(int column, int row)
获取指定单元格的对象引用，需要注意的是它的两个参数，第一个是列数，第二个是行数，这与通常的行、列组合有些不同。

jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));jxl.Sheet rs = rwb.getSheet(0);Cell cell = rs.getCell(0, 0);

2 生成新的Excel工作薄

下面的代码主要是向大家介绍如何生成简单的Excel工作表，在这里单元格的内容是不带任何修饰的(如：字体，颜色等等)，所有的内容都作为字符串写入。(完整代码见ExcelWriting.java)

与读取Excel工作表相似，首先要使用Workbook类的工厂方法创建一个可写入的工作薄(Workbook)对象，这里要注意的是，只能通过API提供的工厂方法来创建Workbook，而不能使用WritableWorkbook的构造函数，因为类WritableWorkbook的构造函数为protected类型。示例代码片段如下：

import java.io.*;import jxl.*;import jxl.write.*;… … … …try{//构建Workbook对象, 只读Workbook对象//Method 1：创建可写入的Excel工作薄    jxl.write.WritableWorkbook wwb = Workbook.createWorkbook(new File(targetfile));//Method 2：将WritableWorkbook直接写入到输出流/*    OutputStream os = new FileOutputStream(targetfile);    jxl.write.WritableWorkbook wwb = Workbook.createWorkbook(os);*/}catch (Exception e){e.printStackTrace();}

API提供了两种方式来处理可写入的输出流，一种是直接生成本地文件，如果文件名不带全路径的话，缺省的文件会定位在当前目录，如果文件名带有全路径的话，则生成的Excel文件则会定位在相应的目录；另外一种是将Excel对象直接写入到输出流，例如：用户通过浏览器来访问Web服务器，如果HTTP头设置正确的话，浏览器自动调用客户端的Excel应用程序，来显示动态生成的Excel电子表格。

接下来就是要创建工作表，创建工作表的方法与创建工作薄的方法几乎一样，同样是通过工厂模式方法获得相应的对象，该方法需要两个参数，一个是工作表的名称，另一个是工作表在工作薄中的位置，参考下面的代码片段：

//创建Excel工作表jxl.write.WritableSheet ws = wwb.createSheet("Test Sheet 1", 0);

"这锅也支好了，材料也准备齐全了，可以开始下锅了！"，现在要做的只是实例化API所提供的Excel基本数据类型，并将它们添加到工作表中就可以了，参考下面的代码片段：

//1.添加Label对象jxl.write.Label labelC = new jxl.write.Label(0, 0, "This is a Label cell");ws.addCell(labelC);//添加带有字型Formatting的对象jxl.write.WritableFont wf = new jxl.write.WritableFont(WritableFont.TIMES, 18, WritableFont.BOLD, true);jxl.write.WritableCellFormat wcfF = new jxl.write.WritableCellFormat(wf);jxl.write.Label labelCF = new jxl.write.Label(1, 0, "This is a Label Cell", wcfF);ws.addCell(labelCF);//添加带有字体颜色Formatting的对象jxl.write.WritableFont wfc = new jxl.write.WritableFont(WritableFont.ARIAL, 10, WritableFont.NO_BOLD, false,UnderlineStyle.NO_UNDERLINE, jxl.format.Colour.RED);jxl.write.WritableCellFormat wcfFC = new jxl.write.WritableCellFormat(wfc);jxl.write.Label labelCFC = new jxl.write.Label(1, 0, "This is a Label Cell", wcfFC);ws.addCell(labelCF);//2.添加Number对象jxl.write.Number labelN = new jxl.write.Number(0, 1, 3.1415926);ws.addCell(labelN);//添加带有formatting的Number对象jxl.write.NumberFormat nf = new jxl.write.NumberFormat("#.##");jxl.write.WritableCellFormat wcfN = new jxl.write.WritableCellFormat(nf);jxl.write.Number labelNF = new jxl.write.Number(1, 1, 3.1415926, wcfN);ws.addCell(labelNF);//3.添加Boolean对象jxl.write.Boolean labelB = new jxl.write.Boolean(0, 2, false);ws.addCell(labelB);//4.添加DateTime对象jxl.write.DateTime labelDT = new jxl.write.DateTime(0, 3, new java.util.Date());ws.addCell(labelDT);//添加带有formatting的DateFormat对象jxl.write.DateFormat df = new jxl.write.DateFormat("dd MM yyyy hh:mm:ss");jxl.write.WritableCellFormat wcfDF = new jxl.write.WritableCellFormat(df);jxl.write.DateTime labelDTF = new jxl.write.DateTime(1, 3, new java.util.Date(), wcfDF);ws.addCell(labelDTF);

这里有两点大家要引起大家的注意。第一点，在构造单元格时，单元格在工作表中的位置就已经确定了。一旦创建后，单元格的位置是不能够变更的，尽管单元格的内容是可以改变的。第二点，单元格的定位是按照下面这样的规律(column, row)，而且下标都是从0开始，例如，A1被存储在(0, 0)，B1被存储在(1, 0)。

最后，不要忘记关闭打开的Excel工作薄对象，以释放占用的内存，参见下面的代码片段：

//写入Exel工作表wwb.write();//关闭Excel工作薄对象wwb.close();

这可能与读取Excel文件的操作有少少不同，在关闭Excel对象之前，你必须要先调用write()方法，因为先前的操作都是存储在缓存中的，所以要通过该方法将操作的内容保存在文件中。如果你先关闭了Excel对象，那么只能得到一张空的工作薄了。

3 拷贝、更新Excel工作薄

接下来简要介绍一下如何更新一个已经存在的工作薄，主要是下面二步操作，第一步是构造只读的Excel工作薄，第二步是利用已经创建的Excel工作薄创建新的可写入的Excel工作薄，参考下面的代码片段：(完整代码见ExcelModifying.java)

//创建只读的Excel工作薄的对象jxl.Workbook rw = jxl.Workbook.getWorkbook(new File(sourcefile));//创建可写入的Excel工作薄对象jxl.write.WritableWorkbook  wwb = Workbook.createWorkbook(new File(targetfile), rw);            //读取第一张工作表jxl.write.WritableSheet ws = wwb.getSheet(0);//获得第一个单元格对象jxl.write.WritableCell wc = ws.getWritableCell(0, 0);            //判断单元格的类型, 做出相应的转化if(wc.getType() == CellType.LABEL){Label l = (Label)wc;    l.setString("The value has been modified.");}//写入Excel对象wwb.write();//关闭可写入的Excel对象wwb.close();//关闭只读的Excel对象rw.close();

之所以使用这种方式构建Excel对象，完全是因为效率的原因，因为上面的示例才是API的主要应用。为了提高性能，在读取工作表时，与数据相关的一些输出信息，所有的格式信息，如：字体、颜色等等，是不被处理的，因为我们的目的是获得行数据的值，既使没有了修饰，也不会对行数据的值产生什么影响。唯一的不利之处就是，在内存中会同时保存两个同样的工作表，这样当工作表体积比较大时，会占用相当大的内存，但现在好像内存的大小并不是什么关键因素了。

一旦获得了可写入的工作表对象，我们就可以对单元格对象进行更新的操作了，在这里我们不必调用API提供的add()方法，因为单元格已经于工作表当中，所以我们只需要调用相应的setXXX()方法，就可以完成更新的操作了。

尽单元格原有的格式化修饰是不能去掉的，我们还是可以将新的单元格修饰加上去，以使单元格的内容以不同的形式表现。

新生成的工作表对象是可写入的，我们除了更新原有的单元格外，还可以添加新的单元格到工作表中，这与示例2的操作是完全一样的。

最后，不要忘记调用write()方法，将更新的内容写入到文件中，然后关闭工作薄对象，这里有两个工作薄对象要关闭，一个是只读的，另外一个是可写入的。