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://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;
　　/**
　　 *

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+"/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.*;
　　/**
　　 *

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 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);
　　 }
　　}
　　
　　
　　
　　
　　关于作者
　　作者简介：chris，毕业于中国人民大学信息学院。现于香港进行金融分析软件研发，作者亦活跃于 jxta p2p开源软件的开发社区，并热衷于网络安全，ai搜索引擎技术与基于java的游戏引擎技术。
　　如果大家谁有更好的办法，请告诉作者 : chris@matrix.org.cn