JAVA—咖啡馆

——欢迎访问rogerfan的博客,常来《JAVA——咖啡馆》坐坐,喝杯浓香的咖啡,彼此探讨一下JAVA技术,交流工作经验,分享JAVA带来的快乐!本网站部分转载文章,如果有版权问题请与我联系。

BlogJava 首页 新随笔 联系 聚合 管理
  447 Posts :: 145 Stories :: 368 Comments :: 0 Trackbacks

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 
*/
 
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; 
/** 
* Title: word extraction
*/
 

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; 
/** 
* Title: pdf extraction
*/
 

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.*
/** 
* Title: pdf extraction
*/
 

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 2008-08-27 13:47 rogerfan 阅读(410) 评论(0)  编辑  收藏 所属分类: 【Java知识】

只有注册用户登录后才能发表评论。


网站导航: