java抽取word,pdf的四种武器

很多人用java进行文档操作时经常会遇到一个问题，就是如何获得word，excel，pdf等文档的内容？我研究了一下，在这里总结一下抽取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 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:[e-mail] * 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:[e-mail]</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:[e-mail]</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();  }}}
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:[e-mail]</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);  }}

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/renhui15688/archive/2010/02/07/5295691.aspx