1. 用jacob
其實(shí)jacob是一個(gè)bridage，連接java和com或者win32函數(shù)的一個(gè)中間件，jacob并不能直接抽取word,excel等文件，需要自己寫dll哦，不過已經(jīng)有為你寫好的了，就是jacob的作者一并提供了。
jacob jar與dll文件下載： http://danadler.com/jacob/
下載了jacob并放到指定的路徑之后(dll放到path,jar文件放到classpath)，就可以寫你自己的抽取程序了，下面是一個(gè)簡單的例子：
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來抽取word，excel。
poi是apache的一個(gè)項(xiàng)目，不過就算用poi你可能都覺得很煩，不過不要緊，這里提供了更加簡單的一個(gè)接口給你：
下載經(jīng)過封裝后的poi包： http://jakarta.apache.org/poi/
下載之后，放到你的classpath就可以了，下面是如何使用它的一個(gè)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-用來抽取pdf文件
但是pdfbox對中文支持還不好，先下載pdfbox： http://www.pdfbox.org/
下面是一個(gè)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是一個(gè)開源項(xiàng)目，我們可以調(diào)用他的本地方法來實(shí)現(xiàn)抽取中文pdf文件。
下載xpdf函數(shù)包： http://www.foolabs.com/xpdf/
同時(shí)需要下載支持中文的補(bǔ)丁包，按照readme放好中文的patch，就可以開始寫調(diào)用本地方法的java程序了。
下面是一個(gè)如何調(diào)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);
}
}