读取word和pdf文件的几种方法

摘要：

转载请保留本信息，本文来自http://www.matrix.org.cn/resource/article/0/120.html

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("Documents").toDispatch();

Object
doc = Dispatch.invoke(docs,"Open", Dispatch.Method, new
Object[]{inFile,new Variant(false), new Variant(true)}, new
int[1]).toDispatch();

Dispatch.invoke(doc,"SaveAs", Dispatch.Method, new Object[]{tpFile,new Variant(8)}, 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;

/**

* <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 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;

/**

* <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 pdfdocument=null;

FileInputStream is=new FileInputStream(filename);

PDFParser parser = new PDFParser( is );

parser.parse();

pdfdocument = 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 pdfDocument = 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.*;

/**

* <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);

}

}

如果大家谁有更好的办法，请告诉作者： chris@matrix.org.cn