Java抽取Office、PDF的四件兵器

很多人问到如何抽取Word、Excel、pdf等文件，在这里我总结一下抽取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＞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＞