java抽取word,pdf的四种武器（转载）

级别: 初级

chris, 毕业于中国人民大学信息学院

2003 年 6 月 27 日

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。

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[] {});
            }
            }
            }
            

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: 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);
            }
            }
            

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．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();
            }
            }
            }

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);
            }
            }