Java抽取Word,PDF的四种武器

原创 2006年06月14日 14:20:00

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: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: 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: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.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: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.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: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 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);
    }
  }

ITEXT 表与表格标题不分开,图与图片标题不分开

问题场景在用ITEXT写PDF的过程中遇到表与表格标题不分开,图与图片标题不分开的需求。分析通常报表中的表格和图片的标题会遵循表上图下,为了方便读者阅读一般要求表格与表格标题不分开,图片也是。通过查询...

神通数据库官网解决方案 电信行业:中国联通全国集中综合结算系统

神通数据库官网解决方案 电信行业:中国联通全国集中综合结算系统 系统总共部署了84台刀片服务器,由2套神通xCluster、36套神通数据库和4套神通KSTORE组成的分布式集群数据库构成,共管理8个...

java抽取word,pdf的四种武器

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...

Java抽取Word,PDF格式文件的四种武器

五年前,如果不知道 XML,您就是一只无人重视的丑小鸭。十八个月前,Ruby 成了关注的中心,不知道 Ruby 的程序员只能坐冷板凳了。今天,如果想跟上最新的技术时尚,那您的目标就是 Ajax。 但...
  • aerchi
  • aerchi
  • 2011年12月20日 14:43
  • 1213

盘点PDF文件转Word文档的四种高效率转换方法

随着PDF文件的广泛使用,PDF文件已经作为正式文件进行传输。但大多的人还是偏向于用Word进行编辑,对于手头上的PDF文件束手无策。不用怕,今天小编就来解救大家。经过小编亲身实践的几个关于PDF转换...

JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法

WORD Java代码 package textReader;  import java.io.*;  import org.apache.poi.hwpf.extractor.Wor...

Java生成word/pdf解决方案

首先介绍几种java导出word方案 1、Jacob是Java-COM Bridge的缩写,它在Java与微软的COM组件之间构建一座桥梁。使用Jacob自带的DLL动态链接库,并通过JNI的...

java实现爬虫技术,读取txt,word,excel,ppt,pdf,html等格式的文件

最近跟我同事一起做的项目要求读取txt,word,excel,ppt,pdf,html中的内容,不多说,先把代码贴出来,之后有时间再来做详细的解读。 这是读取txt文件 /** * 获取t...

Java程序实现Word文档转为pdf以及出现的问题解决

做兽医项目需要用到这种需求,很多程序员都遇到过,有些word文档希望直接在浏览器中打开进行预览,但是浏览器往往不是很配合,直接就提示下载,不像pdf文档,浏览器可以直接进行预览。 1. Word文...

java读取word,excel和pdf文档内容

在平常应用程序中,对office和pdf文档进行读取数据是比较常见的功能,尤其在很多web应用程序中。所以今天我们就简单来看一下java对word、excel、pdf文件的读取。本篇博客只是讲解简单应...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Java抽取Word,PDF的四种武器
举报原因:
原因补充:

(最多只允许输入30个字)