天地无用--【实用API】java抽取word,pdf的四种武器(转)

　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 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}, 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 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 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－xpdfxpdf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 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);}}

阅读全文(2625) | 回复(0) | 编辑 | 精华

发表评论：

昵称：
密码：
主页：
标题：

验证码： (不区分大小写,请仔细填写,输错需重写评论内容！)

站点首页 | 联系我们 | 博客注册 | 博客登陆

Sponsored By W3CHINA
W3CHINA Blog 0.8 Processed in 0.031 second(s), page refreshed 144786167 times.
《全国人大常委会关于维护互联网安全的决定》《计算机信息网络国际联网安全保护管理办法》
苏ICP备05006046号