Java对word和pdf抽取文字

前言：

本文用常见的java工具包对word和pdf进行文字提取

1.首先声明一下依赖的包
注意，Word 03和Word 07是两种不同类型的文件，
一种以.doc结尾，另一种以.docx结尾，依赖的包不一样。

        <!-- 用于对文件操作，例如写操作 -->
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi</artifactId>
            <version>3.15</version>
        </dependency>

        <!-- .docx解析依赖 -->
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-ooxml</artifactId>
            <version>3.15</version>
        </dependency>
        <!-- .doc解析依赖 -->
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-scratchpad</artifactId>
            <version>3.15</version>
        </dependency>
        <!-- .pdf解析依赖 -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.4</version>
        </dependency>
        <!-- 单元测试依赖，也可以自己写一个测试类，这个无关紧要 -->
        <dependency>
            <groupId>junit</groupId>
            <artifactId>junit</artifactId>
            <version>4.12</version>
            <scope>test</scope>
        </dependency>

2.把三种类型的文件抽取都写到一个类里面，如下

package com.chinamobile.cmss.i3.ba.extractText;

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.poi.POIXMLDocument;
import org.apache.poi.POIXMLTextExtractor;
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.openxml4j.opc.OPCPackage;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;

import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;

public class FileExtract {
    public String fileExtractText(String filePath) throws Exception {
        String text;
        if(filePath.isEmpty()){
            return "";
        }
        if(filePath.toLowerCase().endsWith("doc")){
            InputStream file = new FileInputStream(new File(filePath));
            WordExtractor wordExtractor = new WordExtractor(file);
            text = wordExtractor.getText();
            file.close();
            wordExtractor.close();
        }
        else if(filePath.toLowerCase().endsWith("docx")){
            OPCPackage opcPackage = POIXMLDocument.openPackage(filePath);
            POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
            text = extractor.getText();
            opcPackage.close();
            extractor.close();
        }
        else if(filePath.toLowerCase().endsWith("pdf")){
            PDDocument pdDocument;
            InputStream file = new FileInputStream(new File(filePath));
            pdDocument = PDDocument.load(file);
            PDFTextStripper stripper = new PDFTextStripper();
            text = stripper.getText(pdDocument);
            file.close();
            pdDocument.close();
        }else {
            return "error file";
        }
        return text;
    }
}

3.写一个测试文件，如下

import org.junit.Test;

public class ExtractTest {
    @Test
    public void FileExtractTest(){
        String filePath = "D:\\baoxiao.docx";
        FileExtract fileExtract = new FileExtract();
        String text = null;
        try {
            text = fileExtract.fileExtractText(filePath);
        } catch (Exception e) {
            e.printStackTrace();
        }
        System.out.println(text);
    }
}

4.测试结果
无论是word还是pdf都无法识别图片，程序会自动过滤掉图片
可以抽取包括表格在内的word和pdf中的文字