java抽取pdf_java 抽取 word,pdf 的四种武器
转自:https://www.ibm.com/developerworks/cn/java/l-java-tips/ 感谢作者发布的文章
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。
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:
importjava.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
*@authorchris
*@version1.0,who use this example pls remain the declare*/
public classFileExtracter{public static voidmain(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", newVariant[] {});
}
}
}
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);
}
}
pdfbox- 用来抽取 pdf 文件
下面是一个如何使用 pdfbox 抽取 pdf 文件的例子:
importorg.pdfbox.pdmodel.PDdocument .importorg.pdfbox.pdfparser.PDFParser;import java.io.*;importorg.pdfbox.util.PDFTextStripper;importjava.util.Date;/***
Title: pdf extraction
*
Description: email:chris@matrix.org.cn
*
Copyright: Matrix Copyright (c) 2003
*
Company: Matrix.org.cn
*@authorchris
*@version1.0,who use this example pls remain the declare*/
public classPdfExtracter{publicPdfExtracter(){
}public String GetTextFromPdf(String filename) throwsException
{
String temp=null;
PDdocument . nbsppdfdocument .null;
FileInputStream is=newFileInputStream(filename);
PDFParser parser= newPDFParser( is );
parser.parse();
pdfdocument . nbsp=parser.getPDdocument . );
ByteArrayOutputStream out= newByteArrayOutputStream();
OutputStreamWriter writer= newOutputStreamWriter( out );
PDFTextStripper stripper= newPDFTextStripper();
stripper.writeText(pdfdocument . getdocument . ), writer );
writer.close();byte[] contents =out.toByteArray();
String ts=newString(contents);
System.out.println("the string length is"+contents.length+"\n");returnts;
}public static voidmain(String args[])
{
PdfExtracter pf=newPdfExtracter();
PDdocument . nbsppdfdocument . nbsp= null;try{
String ts=pf.GetTextFromPdf("c:\\a.pdf");
System.out.println(ts);
}catch(Exception e)
{
e.printStackTrace();
}
}
}
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。
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
*@authorchris
*@version1.0,who use this example pls remain the declare*/
public classPdfWin {publicPdfWin() {
}public static void main(String args[]) throwsException
{
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= newBufferedInputStream(p.getInputStream());
InputStreamReader reader= new InputStreamReader(bis, "UTF-8");
StringWriter out= newStringWriter();char [] buf = new char[10000];intlen;while((len = reader.read(buf))>= 0) {//out.write(buf, 0, len);
System.out.println("the length is"+len);
}
reader.close();
String ts=newString(buf);
System.out.println("the str is"+ts);
}
}
java抽取pdf_java 抽取 word,pdf 的四种武器相关推荐
- [转载]java抽取word,pdf的四种武器
java抽取word,pdf的四种武器 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 ...
- java抽取word,pdf的四种武器
java抽取word,pdf的四种武器 @ java抽取word,pdf的四种武器 chris 2003-07-01 19:04:00 542 次浏览 chris (chris@matrix.org. ...
- java 抽取 word,pdf 的四种武器
转自:https://www.ibm.com/developerworks/cn/java/l-java-tips/ 感谢作者发布的文章 用 jacob 其实 jacob 是一个 bridag ...
- Java 判断字符串是否为空的四种方法、优缺点与注意事项
以下是Java 判断字符串是否为空的四种方法: 方法一: 最多人使用的一个方法, 直观, 方便, 但效率很低: if(s == null ||"".equals(s)); 方法二: ...
- java向MySQL插入当前时间的四种方式和java时间日期格式化的几种方法(案例说明)...
转载地址:http://www.devba.com/index.php/archives/4581.html java向MySQL插入当前时间的四种方式和java时间日期格式化的几种方法(案例说明); ...
- JAVA对象JSON数据互相转换的四种常见情况
这篇文章主要介绍了JAVA对象JSON数据互相转换的四种常见情况,需要的朋友可以参考下 1. 把java 对象列表转换为json对象数组,并转为字符串 复制代码代码如下: JSONArray ...
- Java解决Hash(散列)冲突的四种方法--开放地址法(线性探测,二次探测,伪随机探测)、链地址法、再哈希、建立公共溢出区
Java解决Hash(散列)冲突的四种方法--开放地址法(线性探测,二次探测,伪随机探测).链地址法.再哈希.建立公共溢出区 参考文章: (1)Java解决Hash(散列)冲突的四种方法--开放地址法 ...
- JAVA中获取文件MD5值的四种方法
JAVA中获取文件MD5值的四种方法其实都很类似,因为核心都是通过JAVA自带的MessageDigest类来实现.获取文件MD5值主要分为三个步骤,第一步获取文件的byte信息,第二步通过Messa ...
- mysql java 日期格式化_(转)java向MySQL插入当前时间的四种方式和java时间日期格式化的几种方法(案例说明)...
java向MySQL插入当前时间的四种方式和java时间日期格式化的几种方法(案例说明);部分资料参考网络资源 1. java向MySQL插入当前时间的四种方式 第一种:将java.util.Date ...
最新文章
- SQL Server 批量完整备份
- 用eclipse如何解决项目迁移问题
- CentOS更换网卡设置
- javascript 一些小常用的技巧
- 比物理线程都好用的C++20的协程,你会用吗?
- 如何开启jvm日志_直通BAT必考题系列:JVM性能调优的6大步骤,及关键调优参数详解...
- Android UI开发第三十九篇——Tab界面实现汇总及比较
- 8.确保0对于值类型是有效的
- 清华大学操作系统OS学习(四)——物理内存管理:连续内存分配
- 五个在线,推进企业数字化转型升级
- 网络之华为USG6000防火墙日志清理
- VMware Fusion FOR MAC使用教程
- 城市系统应用其一-表征城市交通模式
- android中评论的删除不了,微信朋友圈可以删评论了,但尴尬的是…
- 最赚钱H5游戏《大天使之剑H5》公测24天流水破亿!
- 黑苹果是否会成为mac电脑的竞争对手?
- 数据库服务器的性能指标,数据库服务器性能指标
- 分析如何编写一个timer程序(以blt_soft_timer为例)
- python 腾讯视频签到_腾讯视频签到函数/网页2次签到
- 移动端网站的几大好处
热门文章
- B. Alyona and a tree(dsu on tree + bit)
- 【CF700E】Cool Slogans【后缀自动机】【可持久化线段树合并】【树上倍增】
- 牛客题霸 [链表中倒数第k个结点] C++题解/答案
- 牛客题霸 单链表的选择排序 C++题解/答案
- CF1592E Bored Bakry(二进制+前缀异或和)
- KYOCERA Programming Contest 2021(AtCoder Beginner Contest 200)题解
- P7726-天体探测仪(Astral Detector)【构造】
- P3226-[HNOI2012]集合选数【状压dp】
- nssl1336-膜拜神牛【LIS】
- P1455-搭配购买【图论,并查集,dp,背包】