【求助】我想用java读取Word 和pdf的文件

【问题】网上看大都说用tm-extractors-0.4.jar包  ，此包已下，但我不知道放在那里才能用。

我读取Word文件的代码如下：
import java.io.File;
import java.io.FileInputStream;
import org.textmining.text.extraction.WordExtractor;//这个说软件包不存在
public class WordReader {

public static String readDoc(String doc) throws Exception {
  // 创建输入流读取doc文件
  FileInputStream in = new FileInputStream(new File(doc));
  WordExtractor extractor = null;//红字为NetBeans 提示找不到符号
  String text = null;
  // 创建WordExtractor
  extractor = new WordExtractor();
  // 对doc文件进行提取
  text = extractor.extractText(in);
  return text;
}
/**
  * @param args
  */
public static void main(String[] args) {
  // TODO Auto-generated method stub
        try{
         String text = WordReader.readDoc("C://abc.doc");
         System.out.println(text);
        }catch(Exception ex){
         ex.printStackTrace();
        }
}
}
----------------解决方案--------------------------------------------------------
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：
Java代码
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[] {});   
}   
}   
}   

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://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：
Java代码
import java.io.*;   
import org.textmining.text.extraction.WordExtractor;   
/**   
* <p>Title: word 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);   
}   
}   

import java.io.*;
import org.textmining.text.extraction.WordExtractor;
/**
* <p>Title: word 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.pdfbox.org/
下面是一个如何使用pdfbox抽取pdf文件的例子：
Java代码
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();   
}   
}   
  
}   

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.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：
Java代码
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);   
}   
}     

本帖最近评分记录

• 小霖 积分 +3 辛苦啦 2009-11-6 10:55