Java读取PDF,Doc的方法

转载：转载请保留本信息，本文来自http://www.matrix.org.cn/resource/article/0/120.html   很多人问到如何抽取word，excel，pdf阿。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("Documents").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   pdfdocument=null;  
  FileInputStream   is=new   FileInputStream(filename);  
  PDFParser   parser   =   new   PDFParser(   is   );  
  parser.parse();  
  pdfdocument   =   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   pdfDocument   =   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);  
  }  
  }