Java抽取WordPDF的四种武器

jakcerw

jakcerw

2016-02-19 16:26

今天天气好晴朗处处好风光,好天气好开始,图老师又来和大家分享啦。下面给大家推荐Java抽取WordPDF的四种武器,希望大家看完后也有个好心情,快快行动吧!

  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: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://jakarta.apache.org/poi/

(本文来源于图老师网站,更多请访问http://m.tulaoshi.com/bianchengyuyan/)

  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;
/**
* pTitle: word extraction/p
* pDescription: email:chris@matrix.org.cn/p
* pCopyright: Matrix Copyright (c) 2003/p
* pCompany: 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;
/**
* pTitle: pdf extraction/p
* pDescription: email:chris@matrix.org.cn/p
* pCopyright: Matrix Copyright (c) 2003/p
* pCompany: 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:

(本文来源于图老师网站,更多请访问http://m.tulaoshi.com/bianchengyuyan/)

  

import java.io.*;
/**
* pTitle: pdf extraction/p
* pDescription: email:chris@matrix.org.cn/p
* pCopyright: Matrix Copyright (c) 2003/p
* pCompany: 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);
}
}

展开更多 50%)
分享

猜你喜欢

Java抽取WordPDF的四种武器

编程语言 网络编程
Java抽取WordPDF的四种武器

Java中四种XML解析技术

Java JAVA基础
Java中四种XML解析技术

s8lol主宰符文怎么配

英雄联盟 网络游戏
s8lol主宰符文怎么配

Java解析XML的四种方法详解

编程语言 网络编程
Java解析XML的四种方法详解

感冒食谱:四种感冒 四种食谱调理

饮食养生
感冒食谱:四种感冒 四种食谱调理

lol偷钱流符文搭配推荐

英雄联盟 网络游戏
lol偷钱流符文搭配推荐

四种感冒类型 四种食疗方法

饮食养生
四种感冒类型 四种食疗方法

正确的四种胎教和错误的四种胎教方法

胎教 孕妇 早教
正确的四种胎教和错误的四种胎教方法

lolAD刺客新符文搭配推荐

英雄联盟
lolAD刺客新符文搭配推荐

内部窗体设计与窗体定位

内部窗体设计与窗体定位

用Java编写的记事本程序

用Java编写的记事本程序
下拉加载更多内容 ↓