【轉貼】java抽取word,pdf的四種武器
阿新 • • 發佈：2019-01-07
chris ([email protected])
畢業於中國人民大學資訊學院
2003 年 6 月
很多人用java進行文件操作時經常會遇到一個問題，就是如何獲得word，excel，pdf等文件的內容？我研究了一下，在這裡總結一下抽取word,pdf的幾種方法。
1 .用jacob
其實jacob是一個bridage，連線java和com或者win32函式的一箇中間件，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
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
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來抽取word，excel。
poi是apache的一個專案，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 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);
}
}
3. 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 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();
}
}
}
4. 抽取支援中文的pdf檔案－xpdf
xpdf是一個開源專案，我們可以呼叫他的本地方法來實現抽取中文pdf檔案。
下載xpdf函式包： 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，就可以開始寫呼叫本地方法的java程式了
下面是一個如何呼叫的例子：
import java.io.*;
/**
* <p>Title: pdf extraction</p>
* <p>Description: email:[email protected]</p>
* <p>Copyright: Matrix Copyright 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);
}
}
關於作者
作者簡介：chris，畢業於中國人民大學資訊學院。現於香港進行金融分析軟體研發，作者亦活躍於 jxta p2p開源軟體的開發社群，並熱衷於網路安全，AI搜尋引擎技術與基於java的遊戲引擎技術。
如果大家誰有更好的辦法，請告訴作者 : [email protected]
畢業於中國人民大學資訊學院
2003 年 6 月
很多人用java進行文件操作時經常會遇到一個問題，就是如何獲得word，excel，pdf等文件的內容？我研究了一下，在這裡總結一下抽取word,pdf的幾種方法。
1 .用jacob
其實jacob是一個bridage，連線java和com或者win32函式的一箇中間件，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
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
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來抽取word，excel。
poi是apache的一個專案，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
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);
}
}
3. 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
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();
}
}
}
4. 抽取支援中文的pdf檔案－xpdf
xpdf是一個開源專案，我們可以呼叫他的本地方法來實現抽取中文pdf檔案。
下載xpdf函式包： 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，就可以開始寫呼叫本地方法的java程式了
下面是一個如何呼叫的例子：
import java.io.*;
/**
* <p>Title: pdf extraction</p>
* <p>Description: email:[email protected]</p>
* <p>Copyright: Matrix Copyright
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);
}
}
關於作者
作者簡介：chris，畢業於中國人民大學資訊學院。現於香港進行金融分析軟體研發，作者亦活躍於 jxta p2p開源軟體的開發社群，並熱衷於網路安全，AI搜尋引擎技術與基於java的遊戲引擎技術。
如果大家誰有更好的辦法，請告訴作者 : [email protected]