用户操作
[即时聊天] [发私信] [加为好友]
bubei
最近评论
fftaks：Wow gold
文章分类
    收藏
      相册
      存档
      软件项目交易
      订阅我的博客
      XML聚合  FeedSky
      订阅到鲜果
      订阅到Google
      订阅到抓虾
      订阅到BlogLines
      订阅到Yahoo
      订阅到GouGou
      订阅到飞鸽
      订阅到Rojo
      订阅到newsgator
      订阅到netvibes

      转载 java提出word和pdf等文件的信息 收藏

      新一篇: split 方法 | 旧一篇: Quartz学习

      java提出word和pdf等文件的信息 
       
      由于项目在做网站内容搜索的时候，信息存储给是有office中的word，和pdf文件。还好基于lucence的处理，预留了良好的扩展接口。加入如下的工具支持，可以实现无逢的多信息格式的搜索引擎了。下面介绍主要的处理工具：
       
       
      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);
      }
      }
       

      另外利用java操作execel文件可以使用jxl处理，jxl是一个开放源码项目，与apache的poi相比是各有千秋

      JAVA EXCEL API简介

       

      Java Excel是一开放源码项目，通过它Java开发人员可以读取Excel文件的内容、创建新的Excel文件、更新已经存在的Excel文件。使用该API非Windows操作系统也可以通过纯Java应用来处理Excel数据表。因为是使用Java编写的，所以我们在Web应用中可以通过JSP、Servlet来调用API实现对Excel数据表的访问。

      现在发布的稳定版本是V2.0，提供以下功能：

      • 从Excel 95、97、2000等格式的文件中读取数据；
      • 读取Excel公式（可以读取Excel 97以后的公式）；
      • 生成Excel数据表（格式为Excel 97）；
      • 支持字体、数字、日期的格式化；
      • 支持单元格的阴影操作，以及颜色操作；
      • 修改已经存在的数据表；

      现在还不支持以下功能，但不久就会提供了：

      1. 不能够读取图表信息；
      2. 可以读，但是不能生成公式，任何类型公式最后的计算值都可以读出；





      		回页首


      应用示例

       

      1 从Excel文件读取数据表

      Java Excel API既可以从本地文件系统的一个文件(.xls)，也可以从输入流中读取Excel数据表。读取Excel数据表的第一步是创建Workbook(术语：工作薄)，下面的代码片段举例说明了应该如何操作：(完整代码见ExcelReading.java)

      import java.io.*;
import jxl.*;
… … … …
try
{
//构建Workbook对象, 只读Workbook对象
	//直接从本地文件创建Workbook
//从输入流创建Workbook
    InputStream is = new FileInputStream(sourcefile);
    jxl.Workbook rwb = Workbook.getWorkbook(is);
}
catch (Exception e)
{
	e.printStackTrace();
}

      一旦创建了Workbook，我们就可以通过它来访问Excel Sheet(术语：工作表)。参考下面的代码片段：

      //获取第一张Sheet表
Sheet rs = rwb.getSheet(0);

      我们既可能通过Sheet的名称来访问它，也可以通过下标来访问它。如果通过下标来访问的话，要注意的一点是下标从0开始，就像数组一样。

      一旦得到了Sheet，我们就可以通过它来访问Excel Cell(术语：单元格)。参考下面的代码片段：

      //获取第一行，第一列的值
Cell c00 = rs.getCell(0, 0);
String strc00 = c00.getContents();
//获取第一行，第二列的值
Cell c10 = rs.getCell(1, 0);
String strc10 = c10.getContents();
//获取第二行，第二列的值
Cell c11 = rs.getCell(1, 1);
String strc11 = c11.getContents();
System.out.println("Cell(0, 0)" + " value : " + strc00 + "; type : " + c00.getType());
System.out.println("Cell(1, 0)" + " value : " + strc10 + "; type : " + c10.getType());
System.out.println("Cell(1, 1)" + " value : " + strc11 + "; type : " + c11.getType());

      如果仅仅是取得Cell的值，我们可以方便地通过getContents()方法，它可以将任何类型的Cell值都作为一个字符串返回。示例代码中Cell(0, 0)是文本型，Cell(1, 0)是数字型，Cell(1,1)是日期型，通过getContents()，三种类型的返回值都是字符型。

      如果有需要知道Cell内容的确切类型，API也提供了一系列的方法。参考下面的代码片段：

      String strc00 = null;
double strc10 = 0.00;
Date strc11 = null;
Cell c00 = rs.getCell(0, 0);
Cell c10 = rs.getCell(1, 0);
Cell c11 = rs.getCell(1, 1);
if(c00.getType() == CellType.LABEL)
{
LabelCell labelc00 = (LabelCell)c00;
strc00 = labelc00.getString();
}
if(c10.getType() == CellType.NUMBER)
{
	NmberCell numc10 = (NumberCell)c10;
strc10 = numc10.getValue();
}
if(c11.getType() == CellType.DATE)
{
DateCell datec11 = (DateCell)c11;
strc11 = datec11.getDate();
}
System.out.println("Cell(0, 0)" + " value : " + strc00 + "; type : " + c00.getType());
System.out.println("Cell(1, 0)" + " value : " + strc10 + "; type : " + c10.getType());
System.out.println("Cell(1, 1)" + " value : " + strc11 + "; type : " + c11.getType());

      在得到Cell对象后，通过getType()方法可以获得该单元格的类型，然后与API提供的基本类型相匹配，强制转换成相应的类型，最后调用相应的取值方法getXXX()，就可以得到确定类型的值。API提供了以下基本类型，与Excel的数据格式相对应，如下图所示：



      每种类型的具体意义，请参见Java Excel API Document。

      当你完成对Excel电子表格数据的处理后，一定要使用close()方法来关闭先前创建的对象，以释放读取数据表的过程中所占用的内存空间，在读取大量数据时显得尤为重要。参考如下代码片段：

      //操作完成时，关闭对象，释放占用的内存空间
rwb.close();

      Java Excel API提供了许多访问Excel数据表的方法，在这里我只简要地介绍几个常用的方法，其它的方法请参考附录中的Java Excel API Document。

      Workbook类提供的方法

      1. int getNumberOfSheets()
      获得工作薄（Workbook）中工作表（Sheet）的个数，示例： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
int sheets = rwb.getNumberOfSheets();

      2. Sheet[] getSheets()
      返回工作薄（Workbook）中工作表（Sheet）对象数组，示例： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
Sheet[] sheets = rwb.getSheets();

      3. String getVersion()
      返回正在使用的API的版本号，好像是没什么太大的作用。 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
String apiVersion = rwb.getVersion();

      Sheet接口提供的方法

      1) String getName()
      获取Sheet的名称，示例： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
jxl.Sheet rs = rwb.getSheet(0);
String sheetName = rs.getName();

      2) int getColumns()
      获取Sheet表中所包含的总列数，示例： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
jxl.Sheet rs = rwb.getSheet(0);
int rsColumns = rs.getColumns();

      3) Cell[] getColumn(int column)
      获取某一列的所有单元格，返回的是单元格对象数组，示例： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
jxl.Sheet rs = rwb.getSheet(0);
Cell[] cell = rs.getColumn(0);

      4) int getRows()
      获取Sheet表中所包含的总行数，示例： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
jxl.Sheet rs = rwb.getSheet(0);
int rsRows = rs.getRows();

      5) Cell[] getRow(int row)
      获取某一行的所有单元格，返回的是单元格对象数组，示例子： 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
jxl.Sheet rs = rwb.getSheet(0);
Cell[] cell = rs.getRow(0);

      6) Cell getCell(int column, int row)
      获取指定单元格的对象引用，需要注意的是它的两个参数，第一个是列数，第二个是行数，这与通常的行、列组合有些不同。 

      jxl.Workbook rwb = jxl.Workbook.getWorkbook(new File(sourcefile));
jxl.Sheet rs = rwb.getSheet(0);
Cell cell = rs.getCell(0, 0);

      2 生成新的Excel工作薄

      下面的代码主要是向大家介绍如何生成简单的Excel工作表，在这里单元格的内容是不带任何修饰的(如：字体，颜色等等)，所有的内容都作为字符串写入。(完整代码见ExcelWriting.java)

      与读取Excel工作表相似，首先要使用Workbook类的工厂方法创建一个可写入的工作薄(Workbook)对象，这里要注意的是，只能通过API提供的工厂方法来创建Workbook，而不能使用WritableWorkbook的构造函数，因为类WritableWorkbook的构造函数为protected类型。示例代码片段如下：

      import java.io.*;
import jxl.*;
import jxl.write.*;
… … … …
try
{
//构建Workbook对象, 只读Workbook对象
//Method 1：创建可写入的Excel工作薄
    jxl.write.WritableWorkbook wwb = Workbook.createWorkbook(new File(targetfile));
//Method 2：将WritableWorkbook直接写入到输出流
/*
    OutputStream os = new FileOutputStream(targetfile);
    jxl.write.WritableWorkbook wwb = Workbook.createWorkbook(os);
*/
}
catch (Exception e)
{
	e.printStackTrace();
}

      API提供了两种方式来处理可写入的输出流，一种是直接生成本地文件，如果文件名不带全路径的话，缺省的文件会定位在当前目录，如果文件名带有全路径的话，则生成的Excel文件则会定位在相应的目录；另外一种是将Excel对象直接写入到输出流，例如：用户通过浏览器来访问Web服务器，如果HTTP头设置正确的话，浏览器自动调用客户端的Excel应用程序，来显示动态生成的Excel电子表格。

      接下来就是要创建工作表，创建工作表的方法与创建工作薄的方法几乎一样，同样是通过工厂模式方法获得相应的对象，该方法需要两个参数，一个是工作表的名称，另一个是工作表在工作薄中的位置，参考下面的代码片段：

      //创建Excel工作表
jxl.write.WritableSheet ws = wwb.createSheet("Test Sheet 1", 0);

      "这锅也支好了，材料也准备齐全了，可以开始下锅了！"，现在要做的只是实例化API所提供的Excel基本数据类型，并将它们添加到工作表中就可以了，参考下面的代码片段：

      //1.添加Label对象
jxl.write.Label labelC = new jxl.write.Label(0, 0, "This is a Label cell");
ws.addCell(labelC);
//添加带有字型Formatting的对象
jxl.write.WritableFont wf = new jxl.write.WritableFont(WritableFont.TIMES, 18, WritableFont.BOLD, true);
jxl.write.WritableCellFormat wcfF = new jxl.write.WritableCellFormat(wf);
jxl.write.Label labelCF = new jxl.write.Label(1, 0, "This is a Label Cell", wcfF);
ws.addCell(labelCF);
//添加带有字体颜色Formatting的对象
jxl.write.WritableFont wfc = new jxl.write.WritableFont(WritableFont.ARIAL, 10, WritableFont.NO_BOLD, false,
UnderlineStyle.NO_UNDERLINE, jxl.format.Colour.RED);
jxl.write.WritableCellFormat wcfFC = new jxl.write.WritableCellFormat(wfc);
jxl.write.Label labelCFC = new jxl.write.Label(1, 0, "This is a Label Cell", wcfFC);
ws.addCell(labelCF);
//2.添加Number对象
jxl.write.Number labelN = new jxl.write.Number(0, 1, 3.1415926);
ws.addCell(labelN);
//添加带有formatting的Number对象
jxl.write.NumberFormat nf = new jxl.write.NumberFormat("#.##");
jxl.write.WritableCellFormat wcfN = new jxl.write.WritableCellFormat(nf);
jxl.write.Number labelNF = new jxl.write.Number(1, 1, 3.1415926, wcfN);
ws.addCell(labelNF);
//3.添加Boolean对象
jxl.write.Boolean labelB = new jxl.write.Boolean(0, 2, false);
ws.addCell(labelB);
//4.添加DateTime对象
jxl.write.DateTime labelDT = new jxl.write.DateTime(0, 3, new java.util.Date());
ws.addCell(labelDT);
//添加带有formatting的DateFormat对象
jxl.write.DateFormat df = new jxl.write.DateFormat("dd MM yyyy hh:mm:ss");
jxl.write.WritableCellFormat wcfDF = new jxl.write.WritableCellFormat(df);
jxl.write.DateTime labelDTF = new jxl.write.DateTime(1, 3, new java.util.Date(), wcfDF);
ws.addCell(labelDTF);

      这里有两点大家要引起大家的注意。第一点，在构造单元格时，单元格在工作表中的位置就已经确定了。一旦创建后，单元格的位置是不能够变更的，尽管单元格的内容是可以改变的。第二点，单元格的定位是按照下面这样的规律(column, row)，而且下标都是从0开始，例如，A1被存储在(0, 0)，B1被存储在(1, 0)。

      最后，不要忘记关闭打开的Excel工作薄对象，以释放占用的内存，参见下面的代码片段：

      //写入Exel工作表
wwb.write();
//关闭Excel工作薄对象
wwb.close();

      这可能与读取Excel文件的操作有少少不同，在关闭Excel对象之前，你必须要先调用write()方法，因为先前的操作都是存储在缓存中的，所以要通过该方法将操作的内容保存在文件中。如果你先关闭了Excel对象，那么只能得到一张空的工作薄了。

      3 拷贝、更新Excel工作薄

      接下来简要介绍一下如何更新一个已经存在的工作薄，主要是下面二步操作，第一步是构造只读的Excel工作薄，第二步是利用已经创建的Excel工作薄创建新的可写入的Excel工作薄，参考下面的代码片段：(完整代码见ExcelModifying.java)

      //创建只读的Excel工作薄的对象
jxl.Workbook rw = jxl.Workbook.getWorkbook(new File(sourcefile));
//创建可写入的Excel工作薄对象
jxl.write.WritableWorkbook  wwb = Workbook.createWorkbook(new File(targetfile), rw);
            
//读取第一张工作表
jxl.write.WritableSheet ws = wwb.getSheet(0);
//获得第一个单元格对象
jxl.write.WritableCell wc = ws.getWritableCell(0, 0);
            
//判断单元格的类型, 做出相应的转化
if(wc.getType() == CellType.LABEL)
{
Label l = (Label)wc;
    l.setString("The value has been modified.");
}
//写入Excel对象
wwb.write();
//关闭可写入的Excel对象
wwb.close();
//关闭只读的Excel对象
rw.close();

      之所以使用这种方式构建Excel对象，完全是因为效率的原因，因为上面的示例才是API的主要应用。为了提高性能，在读取工作表时，与数据相关的一些输出信息，所有的格式信息，如：字体、颜色等等，是不被处理的，因为我们的目的是获得行数据的值，既使没有了修饰，也不会对行数据的值产生什么影响。唯一的不利之处就是，在内存中会同时保存两个同样的工作表，这样当工作表体积比较大时，会占用相当大的内存，但现在好像内存的大小并不是什么关键因素了。

      一旦获得了可写入的工作表对象，我们就可以对单元格对象进行更新的操作了，在这里我们不必调用API提供的add()方法，因为单元格已经于工作表当中，所以我们只需要调用相应的setXXX()方法，就可以完成更新的操作了。

      尽单元格原有的格式化修饰是不能去掉的，我们还是可以将新的单元格修饰加上去，以使单元格的内容以不同的形式表现。

      新生成的工作表对象是可写入的，我们除了更新原有的单元格外，还可以添加新的单元格到工作表中，这与示例2的操作是完全一样的。

      最后，不要忘记调用write()方法，将更新的内容写入到文件中，然后关闭工作薄对象，这里有两个工作薄对象要关闭，一个是只读的，另外一个是可写入的。


      		回页首


      小结

       

      本文只是对Java Excel API中常用的方法作了介绍，要想更详尽地了解API，请大家参考API文档，或源代码。Java Excel API是一个开放源码项目，请大家关注它的最新进展，有兴趣的朋友也可以申请加入这个项目，或者是提出宝贵的意见。



      参考资料

      1. Java Excel API 文档
      2. http://www.andykhan.com/jexcelapi/


       

      发表于 @ 2008年02月20日 11:17:00|评论(loading...)|编辑

      新一篇: split 方法 | 旧一篇: Quartz学习

      评论：没有评论。
      发表评论  


      当前用户设置只有注册用户才能发表评论。如果你没有登录，请点击登录
      Csdn Blog version 3.1a
      Copyright © bubei