java 抽取 word,pdf 的四种武器

转自:https://www.ibm.com/developerworks/cn/java/l-java-tips/     感谢作者发布的文章

 

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);
 }
}