Java抽取Office、PDF的四件兵器

<script type="text/javascript" src="http://pagead2.googlesyndication.com/pagead/show_ads.js"> </script> 　很多人问到如何抽取word、excel、pdf等文件，在这里我总结一下抽取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 "/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.*; /** * ＜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); } }