java 抽取 word,pdf 的四种武器

转自:https://www.ibm.com/developerworks/cn/java/l-java-tips/ 感谢作者发布的文章

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[] {});

  }

 }

}

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: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);

}

}

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+"\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();

 }

}

}

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);

 }

}

巴特西