java抽取word,pdf的四种武器

毕业于中国人民大学信息学院
2003 年 6 月

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://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[] {}); } } }

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; /** * 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); } }

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; /** * 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+"/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.*; /** * 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 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); } }

关于作者 作者简介：chris，毕业于中国人民大学信息学院。现于香港进行金融分析软件研发，作者亦活跃于 jxta p2p开源软件的开发社区，并热衷于网络安全，AI搜索引擎技术与基于java的游戏引擎技术。 如果大家谁有更好的办法，请告诉作者 : chris@matrix.org.cn

在保留http://www.javajia.com原出处的情况下，欢迎转载!