[JAVA使用技巧]Java抽取Word和PDF格式文件

Java抽取Word和PDF格式文件的四种武器(1)
　　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。
　　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://danadler.com/jacob/
　　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[] {});
}
}
}
Java抽取Word和PDF格式文件的四种武器(2)
　　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://jakarta.apache.org/poi/
　　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);
}
}
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);
} }
Java抽取Word和PDF格式文件的四种武器(3)
　　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.pdfbox.org/
　　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;
/**
* 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 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+"
");
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();
}
}
}
Java抽取Word和PDF格式文件的四种武器(4)
　　4. 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.foolabs.com/xpdf/
　　同时需要下载支持中文的补丁包，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.*;
/**
* 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 PdfWin {
public PdfWin() {
}
public static void main(String args[]) throws Exception
{
String PATH_TO_XPDF="C:Program Filesxpdfpdftotext.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);
}
}

本文转自
http://www.xrss.cn/Info/15215.Html

[JAVA使用技巧]Java抽取Word和PDF格式文件_网络大本营相关推荐

vue项目实现前端预览word和pdf格式文件
最近做vue项目遇到一个需求,就是前端实现上传word或pdf文件后,后端返回文件对应的文件流,前端需要在页面上展示出来.word预览简单一些,pdf预览我试过pdfjs,vue-pdf总是报各种奇奇 ...
java提出word和pdf等文件的信息
由于项目在做网站内容搜索的时候,信息存储给是有office中的word,和pdf文件.还好基于lucence的处理,预留了良好的扩展接口.加入如下的工具支持,可以实现无逢的多信息格式的搜索引擎了.下面 ...
java全文检索word中的内容_搜索引擎时对WORD,EXCEL,PDF,POWERPOINT文件全文检索的总结...
搜索引擎时对WORD,EXCEL,PDF,POWERPOINT文件全文检索的总结 (2012-02-12 16:31:59) 标签: pdf文档幻灯片 pdf文件全文检索控件 it JAVA读取 ...
java操作word/excel/pdf等文件技术方案
最近项目中遇到很多对word/excel/pdf等文件的操作,解决方案有好多,开源免费有:利用openoffice组件(需要安装openoffice软件),poi,itext等.也有收费的服务:asp ...
java jsp导出pdf文件_JSP页面导出PDF格式文件
JSP页面导出PDF格式文件基本在前端页面可以全部完成添加下载链接的点击事件 var downPdf = document.getElementById("downLoad"); ...
poi的导出Excel，word，PDF格式
啰嗦两句吧,之前一直用jxl进行导入导出,但人家不更新了,也不能导出成word和PDF格式,网上说主流的下载都是POI了,我没用过这神器,手痒,就写了借鉴一些前辈们的代码写了如下的代码,但在导出Exc ...
报名系统网页导出html,【网页报名表如何导出pdf】_网页的报名表怎样转换为word或者PDF格式...
网页的报名表怎样转换为word或者pdf格式网页的报名表怎样转换为word或者pdf格式呢?小编将为大家带来以下三个方法,希望能对大家有所帮助. 方法一. 1.保存网页在浏览器来中访问目标网页,执 ...
网页报告不能直接转换成Word、PDF格式怎么办？Spire.doc控件可以轻松解决
关于客户客户是一家从事调研的企业,主要为各大企业提供有关产品.市场环境调研.行业调查与分析等服务.通过与客户沟通,我们了解到客户有一个基于网页端的调研分析系统,用于汇总分析各城市上传的调研项目,最终 ...
教你用8行代码将word转换为pdf格式及 6行代码实现批量将word转换为pdf格式--python实用小技能get起来
目录将word转换为pdf格式安装pywin32 上代码运行结果批量实现word转pdf 安装docx2pdf 上代码运行结果将word转换为pdf格式安装pywin32 代码(Anac ...

[JAVA使用技巧]Java抽取Word和PDF格式文件_网络大本营

[JAVA使用技巧]Java抽取Word和PDF格式文件_网络大本营相关推荐

最新文章

热门文章