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);
}
}
