| |
很多人问到如何抽取word、excel、pdf等文件，在这里我总结一下抽取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，下面是一个例子：
import java.io.file;
import com.jacob.com.*;
import com.jacob.activex.*;
public class fileextracter{
public static void main(string[] args) {
activexcomponent app = new activexcomponent("word.application");
string infile = "c:\\test.doc";
string tpfile = "c:\\temp.htm";
string otfile = "c:\\temp.xml";
boolean flag = false;
try {
app.setproperty("visible", new variant(false));
object docs = app.getproperty("document．").todispatch();
object doc = dispatch.invoke(docs,"open", dispatch.method, new object[]{
infile,new variant(false), new variant(true)}, new int[1]).todispatch();
dispatch.invoke(doc,"saveas", dispatch.method, new object[]{
tpfile,new variant(8)}, new int[1]);
variant f = new variant(false);
dispatch.call(doc, "close", f);
flag = true;
} catch (exception e) {
e.printstacktrace();
} finally {
app.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;
/**
* ＜p＞title: pdf extraction＜/p＞
* ＜p＞description: email:chris@matrix.org.cn＜/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);
}
}
|
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;
/**
* ＜p＞title: pdf extraction＜/p＞
* ＜p＞description: email:chris@matrix.org.cn＜/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();
}
}
}
|
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.matrix.org.cn/down_view.asp?id=15
同时需要下载支持中文的补丁包：http://www.matrix.org.cn/down_view.asp?id=16
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.*;
/**
* ＜p＞title: pdf extraction＜/p＞
* ＜p＞description: email:chris@matrix.org.cn＜/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);
}
}
|
|
|
