WRPDF

ssydxa219

浏览: 633126 次
性别:
来自: 杭州

最近访客更多访客>>

jmi_hua

依然任逍遥

gaojingsong

jveqi

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

package com.mycom.common.base.pdf;

import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.OutputStreamWriter;

import org.apache.poi.hslf.HSLFSlideShow;
import org.apache.poi.hslf.model.Slide;
import org.apache.poi.hslf.model.TextRun;
import org.apache.poi.hslf.usermodel.SlideShow;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;

public class WRPDF {

    public static String convertPptToTxt(FileInputStream fis,
            String outputPath, String outputFileName) {

           StringBuffer content = new StringBuffer();
           try {
           SlideShow ss = new SlideShow(new HSLFSlideShow(fis));// 建立SlideShow
            Slide[] slides = ss.getSlides();// 获得每一张幻灯片
            for (int i = 0; i < slides.length; i++) {
             TextRun[] t = slides[i].getTextRuns();// 为了取得幻灯片的文字内容，建立TextRun
             for (int j = 0; j < t.length; j++) {
              content.append(t[j].getText());// 这里会将文字内容加到content中去
             }
             content.append(slides[i].getTitle()); //这里会将标题加到content中去
            }
            String outputFile = outputPath + outputFileName + ".doc"; // 组装输出TXT文件的绝对路径
            FileOutputStream fos = new FileOutputStream(outputFile);
            fos.write(content.toString().getBytes());
            fos.close();
           } catch (FileNotFoundException e) {
            return "文件不存在!";
           } catch (IOException e) {
            return "文件读写错误!";
           }
           return "OK";
        }

    public static String convertPdfToTxt(FileInputStream fis,
        String outputPath, String outputFileName) {
       // 是否排序
       boolean sort = false;
       // 开始提取页数
       int startPage = 1;
       // 结束提取页数
       int endPage = Integer.MAX_VALUE;
       try {
        // 内存中存储的PDF Document
    PDDocument document = PDDocument.load(fis);
        String outputFile = outputPath + outputFileName + ".doc"; // 组装输出TXT文件的绝对路径
        FileOutputStream fos = new FileOutputStream(outputFile);
        OutputStreamWriter writer = new OutputStreamWriter(fos);
        // PDFTextStripper来提取文本
        PDFTextStripper stripper = new PDFTextStripper();
        // 设置是否排序
        stripper.setSortByPosition(sort);
        // 设置起始页
        stripper.setStartPage(startPage);
        // 设置结束页
        stripper.setEndPage(endPage);
        // 调用PDFTextStripper的writeText提取并输出文本
        stripper.writeText(document, writer);
        fos.close();
        writer.close();
       } catch (FileNotFoundException e) {
        return "文件不存在!";
       } catch (IOException e) {
        return "文件读写错误!";
       }
       return "OK";
    }


    public static void main(String[] args) {
           // TODO Auto-generated method stub
        WRPDF pdfReader = new WRPDF();
           try {
            // 取得E盘下的SpringGuide.pdf的内容
               //FileInputStream
               //outputPath
               //outputFileName
               FileInputStream isfile = new FileInputStream("D:\\logs\\基于NOSQL的云环境下数据分析和存储.pdf");
           // pdfReader.convertPptToTxt(isfile,"D:\\logs\\", "mytest");
                    //readFdf("D:\\dev\\chat\\TESTS.pdf");

            String str = pdfReader.convertPdfToTxt(isfile,"D:\\logs\\", "mytest");
            System.out.println(str);
           } catch (Exception e) {
            e.printStackTrace();
           }
        }
}

\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\\

JAVA 读取PDF 中的文件

2009-12-10 09:55

用Java 简单的读取pdf 文件中的数据：

第一步：下载PDFBox-0.7.2.jar 。提供一个下载地址： http://pdfhome.hope.com.cn/Resource.aspx?CID=63844604-5253-4ae1-b023-258c9e324061&RID=20cd8f94-1cee-40b6-a3df-0ef024f8e0d2 解压后，把lib 文件下的PDFBox-0.7.2.jar ，PDFBox-0.7.2-log4j.jar 放到你classpath 路径下。（我把源码以及jar 包都放到下面的附件里，方面你的使用。）

第二步：写个简单的读取pdf 文件的程序。(PdfReader.java)

import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;

public class PdfReader {

public void readFdf(String file) throws Exception {
   // 是否排序
   boolean sort = false;
   // pdf 文件名
   String pdfFile = file;
   // 输入文本文件名称
   String textFile = null;
   // 编码方式
   String encoding = "UTF-8";
   // 开始提取页数
   int startPage = 1;
   // 结束提取页数
   int endPage = Integer.MAX_VALUE;
   // 文件输入流，生成文本文件
   Writer output = null;
   // 内存中存储的PDF Document
   PDDocument document = null;
   try {
    try {
     // 首先当作一个URL 来装载文件，如果得到异常再从本地文件系统// 去装载文件
     URL url = new URL(pdfFile);

    // 注意参数已不是以前版本中的URL. 而是File 。
    document = PDDocument.load(pdfFile);
     // 获取PDF 的文件名
     String fileName = url.getFile();
     // 以原来PDF 的名称来命名新产生的txt 文件
     if (fileName.length() > 4) {
      File outputFile = new File(fileName.substring(0, fileName
        .length() - 4)
        + ".txt");
      textFile = outputFile.getName();
     }
    } catch (MalformedURLException e) {
     // 如果作为URL 装载得到异常则从文件系统装载

   // 注意参数已不是以前版本中的URL. 而是File 。
    document = PDDocument.load(pdfFile);
     if (pdfFile.length() > 4) {

      textFile = pdfFile.substring(0, pdfFile.length() - 4)
        + ".txt";
     }
    }
    // 文件输入流，写入文件倒textFile
    output = new OutputStreamWriter(new FileOutputStream(textFile),
      encoding);
    // PDFTextStripper 来提取文本
    PDFTextStripper stripper = null;
    stripper = new PDFTextStripper();
    // 设置是否排序
    stripper.setSortByPosition(sort);
    // 设置起始页
    stripper.setStartPage(startPage);
    // 设置结束页
    stripper.setEndPage(endPage);
    // 调用PDFTextStripper 的writeText 提取并输出文本
    stripper.writeText(document, output);
   } finally {
    if (output != null) {
     // 关闭输出流
     output.close();
    }
    if (document != null) {
     // 关闭PDF Document
     document.close();
    }
   }
}

/**
* @param args
*/
public static void main(String[] args) {
   // TODO Auto-generated method stub
   PdfReader pdfReader = new PdfReader();
   try {
    // 取得E 盘下的SpringGuide.pdf 的内容
    pdfReader.readFdf("E:\\SpringGuide.pdf");
   } catch (Exception e) {
    e.printStackTrace();
   }
}

}

这样就简单的完成了从pdf 中读取数据了。在你的pdf 文件所在的目录下生成一个同名的txt 文件。

最近在做一个电子书的项目，这里面用到了一些文件转换的工具，在这里介绍一下:

1 ，Word 文件转TXT 文件

这里是用了一个apache 的poi 工具，可以在http://poi.apache.org/ 下载它的jar 包，将poi-3.1-FINAL-20080629.jar ，poi-contrib-3.1-FINAL- 20080629.jar ，poi-scratchpad-3.1-FINAL-20080629.jar 三个文件复制到工程的WEB-INF/lib 目录下。

解析的代码如下：

/**
* 将Word 文件转换成txt 文本文件
* @author annlee
*
* @param fis, 源文件的文件输入流
* @param outputPath, 输出文件的路径, 这里指文件夹的路径
* @param outputFileName, 输出文件的文件名, 包括文件后缀名
* @return 转换成功返回字符串"OK"; 转换失败返回失败原因.
*/
public static String convertWordToTxt(FileInputStream fis,
    String outputPath, String outputFileName) {
   try {
   WordExtractor extractor = new WordExtractor(fis);
    String str = extractor.getText().trim(); // 获取Word 文件中的字符

String outputFile = outputPath + outputFileName + ".txt"; // 组装输出TXT 文件的绝对路径

    FileOutputStream fos = new FileOutputStream(outputFile);
    fos.write(str.getBytes());
    fos.close();
   } catch (FileNotFoundException e) {
    return " 文件不存在!";
   } catch (IOException e) {
    return " 文件读写错误!";
   }
   return "OK";
}

2 ，PDF 文件转TXT 文件

这里是用了一个PDFBox 工具，可以在http://www.netlikon.de/docs/PDFBox-0.7.2/lib/ 下载它的jar 包，将PDFBox-0.7.2-log4j.jar ，PDFBox-0.7.2.jar 这两个文件复制到工程的WEB-INF/lib 目录下。

这里多说一下，如果要通过程序生成PDF 文件，有个工具很好用：iText 是一个能够快速产生PDF 文件的java 类库。iText 的java 类对于那些要产生包含文本，表格，图形的只读文档是很有用的。它的类库尤其与java Servlet 有很好的给合。使用iText 与PDF 能够使你正确的控制Servlet 的输出。

解析的代码如下：

/**
* 将PDF 文件转换成txt 文本文件
* @author annlee
*
* @param fis, 源文件的文件输入流
* @param outputPath, 输出文件的路径, 这里指文件夹的路径
* @param outputFileName, 输出文件的文件名, 包括文件后缀名
* @return 转换成功返回字符串"OK"; 转换失败返回失败原因.
*/
public static String convertPdfToTxt(FileInputStream fis,
String outputPath, String outputFileName) {

// 是否排序
boolean sort = false;

   // 开始提取页数
   int startPage = 1;
   // 结束提取页数
   int endPage = Integer.MAX_VALUE;

   try {
    // 内存中存储的PDF Document
  PDDocument document = PDDocument.load(fis);

String outputFile = outputPath + outputFileName + ".txt"; // 组装输出TXT 文件的绝对路径

FileOutputStream fos = new FileOutputStream(outputFile);

OutputStreamWriter writer = new OutputStreamWriter(fos);

    // PDFTextStripper 来提取文本
    PDFTextStripper stripper = new PDFTextStripper();
    // 设置是否排序
    stripper.setSortByPosition(sort);
    // 设置起始页
    stripper.setStartPage(startPage);
    // 设置结束页
    stripper.setEndPage(endPage);
    // 调用PDFTextStripper 的writeText 提取并输出文本
    stripper.writeText(document, writer);

    fos.close();
    writer.close();
   } catch (FileNotFoundException e) {
    return " 文件不存在!";
   } catch (IOException e) {
    return " 文件读写错误!";
   }
   return "OK";
}

3 ，PPT 文件转TXT 文件

这里也用的是apache 的poi 工具，解析的代码如下：

/**
* 将PPT 文件转换成txt 文本文件
*
* @author annlee
*
* @param fis, 源文件的文件输入流
* @param outputPath, 输出文件的路径, 这里指文件夹的路径
* @param outputFileName, 输出文件的文件名, 包括文件后缀名
* @return 转换成功返回字符串"OK"; 转换失败返回失败原因.
*/
public static String convertPptToTxt(FileInputStream fis,
    String outputPath, String outputFileName) {

   StringBuffer content = new StringBuffer();
   try {
   SlideShow ss = new SlideShow(new HSLFSlideShow(fis));// 建立SlideShow
    Slide[] slides = ss.getSlides();// 获得每一张幻灯片
    for (int i = 0; i < slides.length; i++) {
     TextRun[] t = slides[i].getTextRuns();// 为了取得幻灯片的文字内容，建立TextRun
     for (int j = 0; j < t.length; j++) {
      content.append(t[j].getText());// 这里会将文字内容加到content 中去
     }
     content.append(slides[i].getTitle()); // 这里会将标题加到content 中去
    }
    String outputFile = outputPath + outputFileName + ".txt"; // 组装输出TXT 文件的绝对路径

    FileOutputStream fos = new FileOutputStream(outputFile);
    fos.write(content.toString().getBytes());
    fos.close();
   } catch (FileNotFoundException e) {
    return " 文件不存在!";
   } catch (IOException e) {
    return " 文件读写错误!";
   }
   return "OK";
}

3 ，EXCEL 文件转TXT 文件

这里也用的是apache 的poi 工具，解析的代码如下：

/**
* 将EXCEL 文件转换成txt 文本文件
*
* @author annlee
*
* @param fis, 源文件的文件输入流
* @param outputPath, 输出文件的路径, 这里指文件夹的路径
* @param outputFileName, 输出文件的文件名, 包括文件后缀名
* @return 转换成功返回字符串"OK"; 转换失败返回失败原因.
*/
public static String convertXlsToTxt(FileInputStream fis,
String outputPath, String outputFileName) {

   StringBuffer content = new StringBuffer();
   try {
  HSSFWorkbook workbook = new HSSFWorkbook(fis);// 创建对Excel 工作簿文件的引用
    for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {
     if (null != workbook.getSheetAt(numSheets)) {
      HSSFSheet aSheet = workbook.getSheetAt(numSheets);// 获得一个sheet
      for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet
        .getLastRowNum(); rowNumOfSheet++) {
       if (null != aSheet.getRow(rowNumOfSheet)) {
        HSSFRow aRow = aSheet.getRow(rowNumOfSheet); // 获得一个行
        for (short cellNumOfRow = 0; cellNumOfRow <= aRow
          .getLastCellNum(); cellNumOfRow++) {
         if (null != aRow.getCell(cellNumOfRow)) {
          HSSFCell aCell = aRow.getCell(cellNumOfRow);// 获得列值
          if (aCell.getCellType() == 1) {
           content.append(aCell
             .getStringCellValue());
          } else if (aCell.getCellType() == 0) {
           content.append(Double.toString(aCell
             .getNumericCellValue())
             + ",");
          }
         }
        }
       }
      }
     }
    }
    String outputFile = outputPath + outputFileName + ".txt"; // 组装输出TXT 文件的绝对路径

这里生成的TXT 文件中可能包含着一些另类的字符，我们可以在写文件之前将这些字符去掉：

/**
* 去掉字符串中多余的字符
*/
public static String washString(String str){
   byte[] buffer = str.getBytes();
   byte[] buffernew = new byte[buffer.length];
   int j = 0;
   for(int i =0 ; i< buffer.length; i++){
    if((buffer[i] >=20 )||(buffer[i] < 0 )) {
     buffernew[j++] = buffer[i];
    }
   }
   String newStr = new String(buffernew);
   newStr = newStr.replaceAll("FORMTEXT", "");
   return newStr.trim();
}

PDFBox-0.7.2.jar (3.1 MB)
下载次数: 0

PDFBox-0.7.2-log4j.jar (3.1 MB)
下载次数: 0

分享到：

jdk schedule timer task | log4j.properties

2012-12-14 17:25
浏览 1159
评论(0)
分类:企业架构
查看更多

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论

WRPDF

评论

发表评论

相关推荐

最近访客 更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论

WRPDF

评论

发表评论

相关推荐

最近访客更多访客>>