[JAVA使用技巧]Java抽取Word和PDF格式文件_网络大本营

Word文档数据提取实战:从POI表格解析到复杂场景处理 数据提取是数据处理流程中的基础环节,其核心原理在于将非结构化或半结构化信息转化为可程序化访问的结构化数据。在办公自动化和企业数据处理场景中,Word文档因其广泛使用而成为重要的数据源,但因其内部基于Open XML的复杂层级结构(逻辑层、XML格式层、二进制层),直接提取面临诸多挑战。从技术价值看,高效、准确的文档数据提取能极大提升合同处理、报告分析和简历筛选等场景的自动化水平。针对Word文档,Apache POI等库提供了底层API访问能力,是实现自动化提取的关键工具。本文聚焦使用POI进行表格数据提取 阅读详情
Java抽取Word和PDF格式文件的四种武器(1)
  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: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[] {});
}
}
}
Java抽取Word和PDF格式文件的四种武器(2)
  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;
/**
* Title: word 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 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);
}
}
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);
} }
Java抽取Word和PDF格式文件的四种武器(3)
  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;
/**
* 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 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+"
");
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();
}
}
}
Java抽取Word和PDF格式文件的四种武器(4)
  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.*;
/**
* 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 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);
}
}

本文转自
http://www.xrss.cn/Info/15215.Html
Rust 生态 PDF 处理利器:Pdf-inspector 实现高性能文本提取与分类 在服务端处理 PDF 文件时,性能和稳定性始终是开发者关注的重点,尤其是在批量解析、文本提取和文档分类等场景下。Rust 凭借其内存安全和高并发优势,逐渐成为构建高效 PDF 处理管线的理想选择。Pdf-inspector 是一个面向程序员的 Rust 库,专注于 PDF 结构检查、元数据读取、文本提取与文档分类,适合嵌入自动化流程或封装为命令行工具。通过引入 Rust 工具链,开发者可以在 Windows、Linux、macOS 上编译运行,无需依赖 GPU,仅靠 CPU 即可完成大量 PDF 的解析任务 阅读详情

相关推荐

java读取word、PDF、txt、excel

该项目完美实现word、pdf、txt、excel的读取功能

JAVA实现将PDF转换成word文档

Apache POI支持处理Word、Excel和.ppt。Apache PDFBox提供了处理PDF文档的功能。

weixin_43749805的博客 3284

JAVA 从压缩包中提取文件

简单的从压缩包(Zip)中提取文件,并且将提取出的文件名出来。

三行java代码解析pdf获取文档内容(包含表格及段落)

pdftranspro是基于PDFBox的一款专业 pdf 文本内容提取软件,支持windows和linux平台,经过数年的持续改进其内容提取能力已经达到令人惊艳的效果,能对跨页、跨栏的段落或表格进行合并处理,精确还原文档内的段落和表格,可以输出html、xml、json、txt 等 4 种格式,方便用户高效获取 pdf 文档内的精确信息或数据。SDK版通过Java调用SDK方式仅需三行代码集成pdf文档转换功能,可返回转换文本,也提供 pdf文档截取合并等实用的 pdf 编辑功能接口。

pdftranspro的博客 1万+

完美封装word excel ppt pdf文件解析包,生成手机页面

完美封装word excel ppt pdf文件解析包,抽取文件内容,并可分页生成手机支持的html页面

JAVA读取PDF、WORD、EXCEL等文件的方法

JAVA读取PDF、WORD、EXCEL等文件的方法

java借助Acrobat实现pdf转word

windows平台,Adobe的Acrobat软件在pdf转word中功能良好,Jacob可以实现java代码和COM组件之间的互操作

shengfakun1234的专栏 4380

SAP 货币类型和公司代码的货币设置

货币类型分为公司代码和集团货币,一般FI 10类型和集团货币 30,事务代码是8KEM; 设置货币类型的事务代码是OB22 在S/4 1809版本里编辑功能统合到事务代码FINSC_LEDGER 中了,这里集中了分类账和公司代码的设置; 设置多账簿的币种(会出现在BSEG和FAGLFLEXA表中) 汇率维护在TCURR表中,可通过BAPI_EXCHANGERATE_GETDETAIL函数获取。 CO货币的事务代码是成本控制范围货币:OKKP ,一般设置为货币码20和30; 另外, SCC4设置集团货币,

RichardYang2020的博客 1万+

Java那些事之pdf读取

今天说说java中的pdf读取,实话说,这是一个很恼人的任务。现在网络上的pdf各种各样,分析出来的文本也是千差万别,目前最流行的jar包pdfbox也只能做到把文字分析出来,并无法很好的控制分析的顺序,格式,字体等信息。(也许可以,是我对pdfbox了解还不够,如果是这样的话,大家一定要告诉我~先谢过了哈。)这给后续的工作带来了很大的麻烦。比如我想提取pdf的一些关键词或标题等有用信息,而分析出...

weixin_34220834的博客 208

RseQC实战指南:从安装到RNA-Seq数据质控全流程解析

本文提供了一份详尽的RseQC实战指南,涵盖从安装配置到RNA-Seq数据质控的全流程。文章重点解析了RseQC作为专业质控工具的核心价值,手把手指导如何通过Conda或pip完成安装,并深入讲解了bam_stat.py、geneBody_coverage.py等关键模块的使用方法与结果解读技巧,帮助用户有效评估RNA完整性、文库构建质量及链特异性,确保下游分析的可靠性。

weixin_29200741的博客 204

MicroLogix1400编程(使用RSLogix 500 + RSLinx Classic Lite)

MicroLogix1400编程

noscallion的博客 1万+

炸裂!PDF转Word彻底告别收费时代,这个OCR开源项目要逆天!

1.导读随着企业数字化进程不断加速,PDF转Word的功能、纸质文本的电子化存储、文件复原与二次编辑、信息检索等应用都有着强烈的企业需求。目前市面上已有一些软件,但普遍需要繁琐的安装注册操作,大多还存在额度限制。此外,最终转换效果也依赖于版面形态,无法做到针对性适配。针对开发者的需求,飞桨文字识别套件PaddleOCR全新发布PP-StructureV2智能文档分析系统,支持一行命令实现PDF转W...

datayx的文章 665

Oracle EBS订单的流程(Order->AR)

基本流程创建订单路径:Order Management > Orders,Returns > Sales Orders填写订单头信息,客户,订单类型,销售人员填写订单体信息,输入物料,数量...然后Book Order,订单Book之后,你会发现订单头的Status的状态变成了“Booked”,订单行的状态为"Awaiting Shipping",记录下来你的订单号,后边的每一步都需要这个订单号。

田攀的日志 4万+

java poi预览word文档_apache poi操作office文档----java在线预览txt、word、ppt、execel,pdf代码...

在页面上显示各种文档中的内容。在servlet中的逻辑word:BufferedInputStream bis = null;URL url = null;HttpURLConnection httpUrl = null; // 建立链接url = new URL(urlReal);httpUrl = (HttpURLConnection) url.openConnection();// 连接指定...

weixin_28820911的博客 201

手把手教你接入京东购物小程序:从领券到下单的全流程解析

本文详细解析了如何从API申请到领券下单,手把手教你接入京东购物小程序的全流程。涵盖京东联盟账号注册、商品信息获取、优惠券链接转换等关键技术实践,帮助开发者高效实现电商功能集成,提升用户购物体验。

g5h6i的博客 912

什么是 SAPGUI 里的 Logon Group/Server

这意味着,不同的用户连接可以被分配到不同的应用服务器,以实现均衡的资源利用和降低某一服务器的负载压力。在这种配置下,欧洲的用户登录时选择“EUROPE_GROUP”,系统将自动选择一个位于欧洲的数据中心的服务器进行连接,这样不仅减少了网络延迟,还实现了服务器间的负载均衡。用户在 SAPGUI 中登录时,只需选择相应的 Logon Group(例如“FIN_GROUP”),系统就会自动将他们的连接请求分配到当前负载最小的应用服务器上,这种动态分配大大提升了系统的响应速度和稳定性。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 1073

java实现在线预览txt_java在线预览txt、word、ppt、execel,pdf代码

1 在页面上显示各种文档中的内容。在servlet中的逻辑23 word:45 BufferedInputStream bis = null;6 URL url = null;7 HttpURLConnection httpUrl = null; //建立链接8 url = newURL(urlReal);9 httpUrl = (HttpURLConnection) url.openConnec...

weixin_32955259的博客 511

QGis二次开发 —— 5.1、基于qgis开发雷达扫描、无人机飞行跟踪等(附:源码及工程)

基于qgis开发雷达扫描、无人机飞行跟踪等

326

java在线预览txt、word、ppt、execel,pdf代码

在页面上显示各种文档中的内容。在servlet中的逻辑 word: BufferedInputStream bis = null;URL url = null;HttpURLConnection httpUrl = null; // 建立链接url = new URL(urlReal);httpUrl = (HttpURLConnection) url.openConne...

weixin_33752045的博客 77

npm install failed如何办?

上网搜索,说是网络配置不太对。按照如下几步,保证解决问题。在运行npm install指令时,出现如下错误。

xiezhipu的博客 880

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

MarkItDown 文档转 Markdown:3 条命令跑通 PDF、Word、PPT 批量转换

手头一堆 PDF、Word、PPT,想喂给 LLM 或丢进 RAG 知识库,手动复制粘贴又慢又丢格式。MarkItDown 就是一个 Python 命令行工具,把这些办公文档转成保留标题、列表、表格结构的 Markdown,一条命令一个文件,批量脚本里也够用。先看能力矩阵,10 秒判断它跟你有没有关系: | 输入类型 | 转换方式 | | --- | --- | | PDF、Word、PPT、E

gitblog_01098的博客 941

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

大模型为何“跳”不动PDF?解析LLM处理PDF的难点与RAG落地方案

大语言模型依靠Token序列理解文本,无法像人一样跳跃式定位长文档内容,这使得直接让LLM阅读PDF常出现信息覆盖不全、关键内容丢失等问题。PDF本质是版式文件,内部以坐标记录字符位置,文本抽取顺序混乱;同时上下文窗口有限,整篇塞入既不经济也影响注意力分布。RAG(检索增强生成)通过文本分块、向量化检索,将相关片段“搬运”给模型,模拟出跳跃阅读能力。该方案适用于PDF知识库、文档问答系统等场景,结合版面分析、表格提取和分块调优,可显著提升大模型对复杂PDF的利用效率。

weixin_33795806的博客 482

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

Java实现在线预览Word,Excel,Ppt文档

效果图:     word:  BufferedInputStream bis = null;   URL url = null;   HttpURLConnection httpUrl = null; // 建立链接   url = new URL(urlReal);   httpUrl = (HttpURLConnection) url.openConnection...

weixin_34209851的博客 124
上一篇: Java程序把Word文档直接转换成Html文件-开发频道-Java-天极网
下一篇: Java开源Apache项目分类列表
weoln
博客等级 码龄21年 43粉丝 123原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值