java抽取word,pdf的四种武器

最新推荐文章于 2022-03-24 16:01:22 发布

java169

最新推荐文章于 2022-03-24 16:01:22 发布

阅读量345

点赞数

CC 4.0 BY-SA版权

文章标签： java string exception import matrix object

本文链接：https://blog.youkuaiyun.com/java169/article/details/2478687

Title: word extraction

Description: email:chris@matrix.org.cn

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

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

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