java抽取word,pdf的四种武器

　2008-01-05 09:52:18　来源：WEB开发网　闂傚倸鍊搁崐椋庢濮橆兗缂氱憸宥堢亱闂佸湱铏庨崰鏍不椤栫偞鐓ラ柣鏇炲€圭€氾拷

闂傚倸鍊搁崐椋庣矆娓氣偓楠炲鏁撻悩鎻掔€梺姹囧灩閻忔艾鐣烽弻銉︾厵闁规鍠栭。濂告煕鎼达紕校闁靛洤瀚伴獮鎺楀箣濠靛啫浜鹃柣銏⑶圭壕濠氭煙閻愵剚鐏辨俊鎻掔墛缁绘盯宕卞Δ鍐冣剝绻涘畝濠佺敖缂佽鲸鎹囧畷鎺戭潩閹典焦鐎搁梻浣烘嚀閸ゆ牠骞忛敓锟�

婵犵數濮烽弫鍛婃叏椤撱垹绠柛鎰靛枛瀹告繃銇勯幘瀵哥畼闁硅娲熷缁樼瑹閳ь剙岣胯鐓ら柕鍫濇偪濞差亜惟闁宠桨鑳堕崝锕€顪冮妶鍡楃瑐闁煎啿鐖奸崺濠囧即閵忥紕鍘梺鎼炲劗閺呮稒绂掕缁辨帗娼忛埡浣锋闂佽桨鐒﹂幑鍥极閹剧粯鏅搁柨鐕傛嫹闂傚倸鍊搁崐椋庢濮橆兗缂氱憸宥堢亱闂佸湱铏庨崰鏍不椤栫偞鐓ラ柣鏇炲€圭€氾拷　　闂傚倸鍊搁崐鐑芥嚄閼哥數浠氱紓鍌欒兌缁垶銆冮崨鏉戠厺鐎广儱顦崡鎶芥煏韫囨洖校闁诲寒鍓熷铏圭磼濡搫顫嶅銈嗗姉閸樠囧煡婢跺á鐔兼煥鐎ｎ兘鍋撴繝姘拺鐟滅増甯掓禍浼存煕閹惧鈽夐柍缁樻煥椤繈鎳滅喊妯诲闂備礁鎲＄粙鎴︺偑閺夋垟鏋旈柡鍐ｅ亾缂佺粯绋撴禒锕傚磼濮橆剦鐎抽梻浣哥－缁垶骞戦崶顒傚祦閻庯綆浜栭弨浠嬫煙闁箑澧い鏂垮€规穱濠囨倷椤忓嫧鍋撻弽褜娼栧┑鐘宠壘閸屻劎鎲歌箛娑樼疅闁圭虎鍠楅弲鎼佹煥閻曞倹瀚�

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

　　 *

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;
　　/**
　　 *