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。

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:[email protected]
 * 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[] {});
  }
 }
}

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: word extraction</p>
* <p>Description: email:[email protected]</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);
}
}

  

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:[email protected]</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();
 }
}
}

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:[email protected]</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);
 }
}
时间: 2024-10-15 21:54:38

java 抽取 word,pdf 的四种武器的相关文章

Java解析XML文件的四种方法

[摘要] 可扩展标志语言(XML)在实现信息标准化.信息的交流与共享上有其独特的技术优势,因此受到了广泛的重视.本文先简单的介绍了XML基本知识,然后从XML应用入手总结了四种现今最常见的XML的解析方法,介绍了这四种方法的特点,其中包括优点与不足之处.最后给出了一个简单的案例来对这四种解析进行代码介绍. [关键字] XML文件,DOM,SAX,JDOM,DOM4J [引言] XML即可扩展标记语言(EXtensible Markup Language),是标准通用标记语言的子集,是一种用于标记

JAVA中集合输出的四种方式

在JAVA中Collection输出有四种方式,分别如下: 一) Iterator输出. 该方式适用于Collection的所有子类. public class Hello { public static void main(String[] args) throws Exception { Set<Person> javaProgramers = new HashSet<Person>(); javaProgramers.add(new Person("aaron&qu

四种武器--大数据与R,python,SAS,SPSS的关系?

武林中人很多都要求自己各种兵器都能够使用,但每个人都会有一个自己最擅长的兵器.以前这四种软件就如大数据里的"刀枪棍棒".兵器只是一部分,重要的还是我们自身对于大数据的理解,也就相当于是内功.毕竟,双方比武,兵器取胜的部分是很大,但不是决定因素!试想,一个内功高深的人跟一个只会使枪的人来比试,说不定对方摘叶就可以伤到那个只会使剑的人.......... 好吧!我们就一一揭开这四种"武器"的面纱! 先说R,与其说是一门语言,不如说是一个软件.他更多的应用是在数据量在中小

java读取XML文件的四种方式

java读取XML文件的四种方式 Xml代码 <?xml version="1.0" encoding="GB2312"?> <RESULT> <VALUE> <NO>A1234</NO> <ADDR>河南省郑州市</ADDR> </VALUE> <VALUE> <NO>B1234</NO> <ADDR>河南省郑州市二七区&

java中内部类的创建四种情况,三种方式,及内部数据访问权限

内部类和外部类的关系,及内部静态类的数据访问权限,声明方式. 第一种,在外部类内部声明使用内部类,内部类的类型为static和非 static类型,内部类数据类型为private,protected,public 类型的访问权限.外部类为非静态声明和权限如下: package com; public class Test1 { //@author 张春蕾 private class Name{ private int i =1; public int s = 2; protected int m

【JAVA】遍历Map的四种方法

public static void main(String[] args) { Map<String, String> map = new HashMap<String, String>();  map.put("1", "value1");  map.put("2", "value2");  map.put("3", "value3");    //第一种:普

Java读取xml文件的四种方法

xml文件: Xml代码 <?xml version="1.0" encoding="GB2312"?>   <RESULT>  <VALUE>  <NO>A1234</NO>  <ADDR>河南省郑州市</ADDR>  </VALUE>  <VALUE>  <NO>B1234</NO>  <ADDR>河南省郑州市二七区&l

精----Java读取xml文件的四种方法

xml文件: Xml代码 <?xml version="1.0" encoding="GB2312"?> <RESULT> <VALUE> <NO>A1234</NO> <ADDR>河南省郑州市</ADDR> </VALUE> <VALUE> <NO>B1234</NO> <ADDR>河南省郑州市二七区</ADDR&g

Java多线程(4)----线程的四种状态

与人有生老病死一样,线程也同样要经历开始(等待).运行.挂起和停止四种不同的状态.这四种状态都可以通过Thread类中的方法进行控制.下面给出了Thread类中和这四种状态相关的方法. 1 // 开始线程 2 public void start( ); 3 public void run( ); 4 5 // 挂起和唤醒线程 6 public void resume( ); // 不建议使用 7 public void suspend( ); // 不建议使用 8 public static v