java抽取word,pdf的四种武器

核心提示：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碰到一个问题，就是如何获得Word，java抽取word,pdf的四种武器，Excel，pdf等文档的内容？我研究了一下，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：

　　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碰到一个问题，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;
　　/**
　　 *