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，下面是一个例子：
import java.io.File;
import com.jacob.com.*;
import com.jacob.activeX.*;
public class FileExtracter
{
public static void main(String[] args)
{
ActiveXComponent app = new ActiveXComponent("Word.Application");
String inFile = "c:\\test.doc";
String tpFile = "c:\\temp.htm";
String otFile = "c:\\temp.xml";
boolean flag = false;
try
{
app.setProperty("Visible", new Variant(false));
Object docs = app.getProperty("document．").toDispatch();
Object doc = Dispatch
.invoke(docs, "Open", Dispatch.Method, new Object[]
{inFile, new Variant(false), new Variant(true)}, new int[1])
.toDispatch();
Dispatch.invoke(doc, "SaveAs", Dispatch.Method, new Object[]
{tpFile, new Variant(8)}, new int[1]);
Variant f = new Variant(false);
Dispatch.call(doc, "Close", f);
flag = true;
} catch (Exception e)
{
e.printStackTrace();
} finally
{
app.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;
/**
* <p>
* Title: pdf extraction
* </p>
* <p>
* Description: email:chris@matrix.org.cn
* </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.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;
/**
* <p>
* Title: pdf extraction
* </p>
* <p>
* Description: email:chris@matrix.org.cn
* </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.matrix.org.cn/down_view.asp?id=15
同时需要下载支持中文的补丁包：
http://www.matrix.org.cn/down_view.asp?id=16
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:chris@matrix.org.cn
* </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);
}
}
posted on 2006-11-27 10:26
MyBox 阅读(194)
评论(0) 编辑 收藏