java抽取word,pdf的四种武器

1/5/2008来源:Java教程人气:5663


  chris (chris@matrix.org.cn)
  毕业于中国人民大学信息学院
  2003 年 6 月
  
  很多人用java进行文档操作时经常会碰到一个问题,就是如何获得WordExcel,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: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[] {});
   }
   }
  }
  
  
  
  
  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;
  /**
   *

Title: word 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 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;
  /**
   *