Java抽取Word，PDF的四种武器

Java抽取Word，PDF的四种武器

作者 vencent | 2005 03, 19
  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://danadler.com/jacob/
  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: est.doc";
    String tpFile = "c: emp.htm";
    String otFile = "c: emp.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://jakarta.apache.org/poi/
  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);
  }
  }
  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.pdfbox.org/
  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();
    }
  }
  }
  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.foolabs.com/xpdf/
  同时需要下载支持中文的补丁包，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 Filesxpdfpdftotext.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);
    }
  }