Java抽取Word，PDF的四种方法

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：

Java代码

1. import java.io.File;   
2. import com.jacob.com.*;   
3. import com.jacob.activeX.*;   
4. /**  
5.  * Title: pdf extraction  
6.  * Description: email:chris@matrix.org.cn  
7.  * Copyright: Matrix Copyright (c) 2003  
8.  * Company: Matrix.org.cn  
9.  * @author chris  
10.  * @version 1.0,who use this example pls remain the declare  
11.  */  
12. public class FileExtracter{   
13.  public static void main(String[] args) {   
14.   ActiveXComponent component = new ActiveXComponent("Word.Application");   
15.   String inFile = "c://test.doc";   
16.   String tpFile = "c://temp.htm";   
17.   String otFile = "c://temp.xml";   
18.   boolean flag = false;   
19.   try {   
20.    component.setProperty("Visible", new Variant(false));   
21.    Object wordacc = component.getProperty("document．").toDispatch();   
22.    Object wordfile = Dispatch.invoke(wordacc,"Open", Dispatch.Method,   
23.                                      new Object[]{inFile,new Variant(false), new Variant(true)},   
24.                                      new int[1] ).toDispatch();   
25.    Dispatch.invoke(wordfile,"SaveAs", Dispatch.Method, new Object[]{tpFile,new Variant(8)}, new int[1]);   
26.    Variant f = new Variant(false);   
27.    Dispatch.call(wordfile, "Close", f);   
28.    flag = true;   
29.   } catch (Exception e) {   
30.    e.printStackTrace();   
31.   } finally {   
32.    component.invoke("Quit", new Variant[] {});   
33.   }   
34.  }   
35. }  

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[] {});
  }
 }
}

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：

Java代码

1. import java.io.*;   
2. import  org.textmining.text.extraction.WordExtractor;   
3. /**  
4.  * <p>Title: word extraction</p>  
5.  * <p>Description: email:chris@matrix.org.cn</p>  
6.  * <p>Copyright: Matrix Copyright (c) 2003</p>  
7.  * <p>Company: Matrix.org.cn</p>  
8.  * @author chris  
9.  * @version 1.0,who use this example pls remain the declare  
10.  */  
11.   
12. public class PdfExtractor {   
13.   public PdfExtractor() {   
14.   }   
15.   public static void main(String args[]) throws Exception   
16.   {   
17.   FileInputStream in = new FileInputStream ("c://a.doc");   
18.   WordExtractor extractor = new WordExtractor();   
19.   String str = extractor.extractText(in);   
20.   System.out.println("the result length is"+str.length());   
21.    System.out.println("the result is"+str);   
22. }   
23. }  

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：

Java代码

1. import org.pdfbox.pdmodel.PDdocument．   
2. import org.pdfbox.pdfparser.PDFParser;   
3. import java.io.*;   
4. import org.pdfbox.util.PDFTextStripper;   
5. import java.util.Date;   
6. /**  
7.  * <p>Title: pdf extraction</p>  
8.  * <p>Description: email:chris@matrix.org.cn</p>  
9.  * <p>Copyright: Matrix Copyright (c) 2003</p>  
10.  * <p>Company: Matrix.org.cn</p>  
11.  * @author chris  
12.  * @version 1.0,who use this example pls remain the declare  
13.  */  
14.   
15. public class PdfExtracter{   
16.   
17. public PdfExtracter(){   
18.   }   
19. public String GetTextFromPdf(String filename) throws Exception   
20.   {   
21.   String temp=null;   
22.   PDdocument．nbsppdfdocument．null;   
23.   FileInputStream is=new FileInputStream(filename);   
24.   PDFParser parser = new PDFParser( is );   
25.   parser.parse();   
26.   pdfdocument．nbsp= parser.getPDdocument．);   
27.   ByteArrayOutputStream out = new ByteArrayOutputStream();   
28.   OutputStreamWriter writer = new OutputStreamWriter( out );   
29.   PDFTextStripper stripper = new PDFTextStripper();   
30.   stripper.writeText(pdfdocument．getdocument．), writer );   
31.   writer.close();   
32.   byte[] contents = out.toByteArray();   
33.   
34.   String ts=new String(contents);   
35.   System.out.println("the string length is"+contents.length+"/n");   
36.   return ts;   
37. }   
38. public static void main(String args[])   
39. {   
40. PdfExtracter pf=new PdfExtracter();   
41. PDdocument．nbsppdfdocument．nbsp= null;   
42.   
43. try{   
44. String ts=pf.GetTextFromPdf("c://a.pdf");   
45. System.out.println(ts);   
46. }   
47. catch(Exception e)   
48.   {   
49.   e.printStackTrace();   
50.   }   
51. }   
52.   
53. }  

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：

Java代码

1. import java.io.*;   
2. /**  
3.  * <p>Title: pdf extraction</p>  
4.  * <p>Description: email:chris@matrix.org.cn</p>  
5.  * <p>Copyright: Matrix Copyright (c) 2003</p>  
6.  * <p>Company: Matrix.org.cn</p>  
7.  * @author chris  
8.  * @version 1.0,who use this example pls remain the declare  
9.  */  
10.   
11.   
12. public class PdfWin {   
13.   public PdfWin() {   
14.   }   
15.   public static void main(String args[]) throws Exception   
16.   {   
17.     String PATH_TO_XPDF="C://Program Files//xpdf//pdftotext.exe";   
18.     String filename="c://a.pdf";   
19.     String[] cmd = new String[] { PATH_TO_XPDF, "-enc", "UTF-8", "-q", filename, "-"};   
20.     Process p = Runtime.getRuntime().exec(cmd);   
21.     BufferedInputStream bis = new BufferedInputStream(p.getInputStream());   
22.     InputStreamReader reader = new InputStreamReader(bis, "UTF-8");   
23.     StringWriter out = new StringWriter();   
24.     char [] buf = new char[10000];   
25.     int len;   
26.     while((len = reader.read(buf))>= 0) {   
27.     //out.write(buf, 0, len);   
28.     System.out.println("the length is"+len);   
29.     }   
30.     reader.close();   
31.     String ts=new String(buf);   
32.     System.out.println("the str is"+ts);   
33.   }   
34. }