查看: 3311|回复: 1

[转帖]java抽取word,pdf的四种武器

字体大小: 正常放大

god

206 主题	2 听众	882 积分

升级 70.5%

该用户从未签到

电梯直达

1^#

发表于 2005-3-31 01:15 |只看该作者 |倒序浏览

|招呼Ta 关注Ta

<BLOCKQUOTE>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。</BLOCKQUOTE>
<

><A>1 .用jacob</A>
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。 </P>
<

>jacob jar与dll文件下载： <a href="http://www.matrix.org.cn/down_view.asp?id=13" target="_blank" >http://www.matrix.org.cn/down_view.asp?id=13</A> </P>
<

>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： </P>
<

>
<TABLE bgColor=#cccccc border=1 cellPadding=5 cellSpacing=0 width="80%">

<TR>
<TD><

RE><CODE>
import java.io.File;
import com.jacob.com.*;
import com.jacob.activeX.*;
/**
* <

>Title: pdf extraction</P>
* <

>Description: email:chris@matrix.org.cn</P>
* <

>Copyright: Matrix Copyright (c) 2003</P>
* <

>Company: Matrix.org.cn</P>
* @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[] {});
  }
}
}
</CODE></PRE></TD></TR></TABLE></P>
<

><A>2. 用apache的poi来抽取word，excel。</A>
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： </P>
<

>下载经过封装后的poi包： <a href="http://www.matrix.org.cn/down_view.asp?id=14" target="_blank" >http://www.matrix.org.cn/down_view.asp?id=14</A> </P>
<

>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： </P>
<

>
<TABLE bgColor=#cccccc border=1 cellPadding=5 cellSpacing=0 width="100%">

<TR>
<TD><

RE><CODE>
import java.io.*;
import org.textmining.text.extraction.WordExtractor;
/**
* <

>Title: word extraction</P>
* <

>Description: email:chris@matrix.org.cn</P>
* <

>Copyright: Matrix Copyright (c) 2003</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);
}
}
</CODE></PRE></TD></TR></TABLE></P>
<

><A>3. pdfbox-用来抽取pdf文件</A>
但是pdfbox对中文支持还不好，先下载pdfbox： <a href="http://www.matrix.org.cn/down_view.asp?id=12" target="_blank" >http://www.matrix.org.cn/down_view.asp?id=12</A> </P>
<

>下面是一个如何使用pdfbox抽取pdf文件的例子： </P>
<

>
<TABLE bgColor=#cccccc border=1 cellPadding=5 cellSpacing=0 width="100%">

<TR>
<TD><

RE><CODE>
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</P>
* <

>Description: email:chris@matrix.org.cn</P>
* <

>Copyright: Matrix Copyright (c) 2003</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();
  }
}

}
</CODE></PRE></TD></TR></TABLE></P>
<

><A>4. 抽取支持中文的pdf文件－xpdf</A>
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。 </P>
<

>下载xpdf函数包： <a href="http://www.matrix.org.cn/down_view.asp?id=15" target="_blank" >http://www.matrix.org.cn/down_view.asp?id=15</A> </P>
<

>同时需要下载支持中文的补丁包： <a href="http://www.matrix.org.cn/down_view.asp?id=16" target="_blank" >http://www.matrix.org.cn/down_view.asp?id=16</A> </P>
<

>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 </P>
<P>下面是一个如何调用的例子： </P>
<P>
<TABLE bgColor=#cccccc border=1 cellPadding=5 cellSpacing=0 width="100%">

<TR>
<TD><PRE><CODE>
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);
  }
}
</CODE></PRE></TD></TR></TABLE></P>

zan