芜湖海洋公园全国第几:java抽取word,pdf的四种武器

java抽取word,pdf的四种武器  

转：http://www.matrix.org.cn
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( "document． ").toDispatch();
Object   doc   =   Dispatch.invoke(docs, "Open ",   Dispatch.Method,   new   Object[],   new   int[1]).toDispatch();
Dispatch.invoke(doc, "SaveAs ",   Dispatch.Method,   new   Object[],   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;
/**
*  

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   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   (c)   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．nbsp;pdfdocument．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．nbsp;pdfdocument．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－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.*;
/**
*  

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   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[]   ;
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);
}
}