java读取word.doc

很多人用java进行文档操作时经常会遇到一个问题，就是如何获得word，excel，pdf等文档的内容？我研究了一下，在这里总结一下抽取word,pdf的几种方法。 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： /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，下面是一个简单的例子： import java.io.File; import .*; import com.jacob.activeX.*; /* * Title: pdf extraction * Description: email: * Copyright: Matrix Copyright (c) 2003 * Company: M * 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 ObjectinFile,new Variant(false), new Variant(true), new int1 ).toDispatch(); Dispatch.invoke(wordfile,SaveAs, Dispatch.Method, new ObjecttpFile,new Variant(8), new int1); Variant f = new Variant(false); Dispatch.call(wordfile, Close, f); flag = true; catch (Exception e) e.printStackTrace(); finally component.invoke(Quit, new Variant ); 回页首 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： /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; /* * Title: word extraction * Description: email: * Copyright: Matrix Copyright (c) 2003 * Company: M * 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); 回页首 pdfbox-用来抽取pdf文件 但是pdfbox对中文支持还不好，先下载pdfbox： /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; /* * Title: pdf extraction * Description: email: * Copyright: Matrix Copyright (c) 2003 * Company: M * 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; PDdocumentnbsppdfdocumentnull; FileInputStream is=new FileInputStream(filename); PDFParser parser = new PDFParser( is ); parser.parse(); pdfdocumentnbsp= parser.getPDdocument); ByteArrayOutputStream out = new ByteArrayOutputStream(); OutputStreamWriter writer = new OutputStreamWriter( out ); PDFTextStripper stripper = new PDFTextStripper(); stripper.writeText(pdfdocumentgetdocument), 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(); PDdocumentnbsppdfdocumentnbsp= null; try String ts=pf.GetTextFromPdf(c:a.pdf); System.out.println(ts); catch(Exception e) e.printStackTrace(); 回页首 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： /down_view.asp?id=15 同时需要下载支持中文的补丁包： /down_view.asp?id=16 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: * Copyright: Matrix Copyright (c) 2003 * Company: M * 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