Java抽取Word，PDF的四種武器

　　很多人用java進行文檔操作時經常會遇到一個問題，就是如何獲得word，excel，pdf等文檔的內容？我研究了一下，在這裡總結一下抽取word,pdf的幾種方法。

　　1. 用jacob

　　其實jacob是一個bridage，連接java和com或者win32函數的一個中間件，jacob並不能直接抽取word,excel等文件，需要自己寫dll哦，不過已經有為你寫好的了，就是jacob的作者一並提供了。

　　jacob jar與dll文件下載： http://danadler.com/jacob/

　　下載了jacob並放到指定的路徑之後(dll放到path,jar文件放到classpath)，就可以寫你自己的抽取程序了，下面是一個簡單的例子：

　　

import java.io.File;
import com.jacob.com.*;
import com.jacob.activeX.*;
/**
* Title: pdf extraction
* Description: email:[email protected]
* 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來抽取word，excel。

　　poi是apache的一個項目，不過就算用poi你可能都覺得很煩，不過不要緊，這裡提供了更加簡單的一個接口給你：

　　下載經過封裝後的poi包： http://jakarta.apache.org/poi/

　　下載之後，放到你的classpath就可以了，下面是如何使用它的一個例子：

　　

import java.io.*;
import org.textmining.text.extraction.WordExtractor;
/**
* <p>Title: word extraction</p>
* <p>Description: email:[email protected]</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-用來抽取pdf文件

　　但是pdfbox對中文支持還不好，先下載pdfbox： http://www.pdfbox.org/

　　下面是一個如何使用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:[email protected]</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();
}
} 
}

• 首頁
• 上一頁
• 1
• 2
• 下一頁
• 尾頁
• 共2頁