java抽取word,pdf的四种武器。大家多多交流。

				很多人问到如何抽取word，excel，pdf阿。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.java-cn.com/technology/tech_downs/1880_001.zip 
				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: est.doc";
				String tpFile = "c: emp.htm";
				String otFile = "c: emp.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.java-cn.com/technology/tech_downs/1880_002.zip
				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: 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 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.java-cn.com/technology/tech_downs/1880_003.zip
				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
				* 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 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+" ");
				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.java-cn.com/technology/tech_downs/1880_004.zip
				同时需要下载支持中文的补丁包：
				http://www.java-cn.com/technology/tech_downs/1880_005.zip
				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
				* 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 PdfWin {
				public PdfWin() {
				}
				public static void main(String args[]) throws Exception
				{
				String PATH_TO_XPDF="C:Program Filesxpdfpdftotext.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);
				}
				}