由于项目在做网站内容搜索的时候，信息存储给是有office中的word，和pdf文件。还好基于lucence的处理，预留了良好的扩展接口。加入如下的工具支持，可以实现无逢的多信息格式的搜索引擎了。下面介绍主要的处理工具：
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＞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.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＞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.matrix.org.cn/down_view.asp?id=15
同时需要下载支持中文的补丁包：http://www.matrix.org.cn/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.*;
/**
* ＜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);
}
}
另外利用java操作execel文件可以使用jxl处理，jxl是一个开放源码项目，与apache的poi相比是各有千秋
JAVA EXCEL API简介
Java Excel是一开放源码项目，通过它Java开发人员可以读取Excel文件的内容、创建新的Excel文件、更新已经存在的Excel文件。使用该 API非Windows操作系统也可以通过纯Java应用来处理Excel数据表。因为是使用Java编写的，所以我们在Web应用中可以通过JSP、 Servlet来调用API实现对Excel数据表的访问。
现在发布的稳定版本是V2.0，提供以下功能：
* 从Excel 95、97、2000等格式的文件中读取数据；
* 读取Excel公式（可以读取Excel 97以后的公式）；
* 生成Excel数据表（格式为Excel 97）；
* 支持字体、数字、日期的格式化；
* 支持单元格的阴影操作，以及颜色操作；
* 修改已经存在的数据表；
现在还不支持以下功能，但不久就会提供了：
1. 不能够读取图表信息；
2. 可以读，但是不能生成公式，任何类型公式最后的计算值都可以读出；
