当您初次登录到 developerWorks 时，将会为您创建一份概要信息。您在 developerWorks 概要信息中选择公开的信息将公开显示给其他人，但您可以随时修改这些信息的显示状态。您的姓名（除非选择隐藏）和昵称将和您在 developerWorks 发布的内容一同显示。

所有提交的信息确保安全。

当您初次登录到 developerWorks 时，将会为您创建一份概要信息，您需要指定一个昵称。您的昵称将和您在 developerWorks 发布的内容显示在一起。

昵称长度在 3 至 31 个字符之间。您的昵称在 developerWorks 社区中必须是唯一的，并且出于隐私保护的原因，不能是您的电子邮件地址。

所有提交的信息确保安全。

My developerWorks:

我的通知：

退出

选择语言：

java 抽取 word,pdf 的四种武器

chris (chris@matrix.org.cn), 毕业于中国人民大学信息学院

作者简介：chris，毕业于中国人民大学信息学院。现于香港进行金融分析软件研发，作者亦活跃于 jxta p2p开源软件的开发社区，并热衷于网络安全，AI搜索引擎技术与基于java的游戏引擎技术。
如果大家谁有更好的办法，请告诉作者 : chris@matrix.org.cn

简介： 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。

标记本文！

发布日期： 2003 年 6 月 27 日
级别： 初级
访问情况： 2558 次浏览
评论：

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:chris@matrix.org.cn 
 * 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[] {});
  } 
 } 
}

回页首

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: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); 
 } 
 }

回页首

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 ． 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(); 
  } 
 } 
 }

回页首

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); 
  } 
 }

关于作者

关闭 [x]

关于报告滥用的帮助