java读取（操作）word,pdf的四种方法

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。
     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：
        先下载 poi 的 jar 包，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;
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 ：
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;
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，同时需要下载支持中文的补丁包。
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.*;
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);
   }
}

评论

1 楼 贝塔ZQ 2016-09-27  

java操作word和excel可以使用PageOffice插件，集成方便，功能全面，示例代码好理解，可以看看