java抽取word.txt

文章说明了在JAVA程序里如何抽取WORD等文件类型的数据内容。

Java抽取Word，PDF的四种武器

--------------------------------------------------------------------------------

Java抽取Word，PDF的四种武器 
作者：chris 来自：IBM 
????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://danadler.com/jacob/ 
????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:[e-mail] 
* 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://jakarta.apache.org/poi/ 
????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:[e-mail]</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.pdfbox.org/ 
????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:[e-mail]</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.foolabs.com/xpdf/ 
????同时需要下载支持中文的补丁包，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:[e-mail]</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); 
} 
}