java 抽取 word,pdf 的四種武器

標籤：excel   imp   ace   不能   files   sys   apache   中文支援   lag   

轉自:https://www.ibm.com/developerworks/cn/java/l-java-tips/     感謝作者發布的文章 用 jacob

其實 jacob 是一個 bridage，串連 java 和 com 或者 win32 函數的一個中介軟體，jacob 並不能直接抽取 word,excel 等檔案，需要自己寫 dll 哦，不過已經有為你寫好的了，就是 jacob 的作者一併提供了。

jacob jar 與 dll 檔案下載： http://www.matrix.org.cn/down_view.asp?id=13

下載了 jacob 並放到指定的路徑之後 (dll 放到 path,jar 檔案放到 classpath)，就可以寫你自己的抽取程式了，下面是一個簡單的例子：

import java.io.File; import com.jacob.com.*; import com.jacob.activeX.*; /** * Title: pdf extraction * Description: email:[email protected] * 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[] {});  } }}

 

用 apache 的 poi 來抽取 word，excel。

poi 是 apache 的一個項目，不過就算用 poi 你可能都覺得很煩，不過不要緊，這裡提供了更加簡單的一個介面給你：

下載經過封裝後的 poi 包： http://www.matrix.org.cn/down_view.asp?id=14

下載之後，放到你的 classpath 就可以了，下面是如何使用它的一個例子：

import java.io.*;import  org.textmining.text.extraction.WordExtractor;/*** <p>Title: word extraction</p>* <p>Description: email:[email protected]</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);}}

　　

pdfbox- 用來抽取 pdf 檔案

但是 pdfbox 對中文支援還不好，先下載 pdfbox： http://www.matrix.org.cn/down_view.asp?id=12

下面是一個如何使用 pdfbox 抽取 pdf 檔案的例子：

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:[email protected]</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(); }}}

 

抽取支援中文的 pdf 檔案－xpdf

xpdf 是一個開源項目，我們可以調用他的本地方法來實現抽取中文 pdf 檔案。

下載 xpdf 函數包： http://www.matrix.org.cn/down_view.asp?id=15

同時需要下載支援中文的補丁包： http://www.matrix.org.cn/down_view.asp?id=16

按照 readme 放好中文的 patch，就可以開始寫調用本地方法的 java 程式了

下面是一個如何調用的例子：

import java.io.*;/*** <p>Title: pdf extraction</p>* <p>Description: email:[email protected]</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); }}

 

java 抽取 word,pdf 的四種武器