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：

1. import java.io.File;
   
2. import com.jacob.com.*;
   
3. import com.jacob.activeX.*;
   
4. /**
   
5. * Title: pdf extraction
   
6. */
   
7. public class FileExtracter {
   
8. 
   
9. public static void main(String[] args) {
   
10.   ActiveXComponent component = new ActiveXComponent("Word.Application");
    
11.   String inFile = "c:\\test.doc";
    
12.   String tpFile = "c:\\temp.htm";
    
13.   String otFile = "c:\\temp.XML";
    
14.   boolean flag = false;
    
15.   try {
    
16.    component.setProperty("Visible", new Variant(false));
    
17.    Object wordacc = component.getProperty("document．").toDispatch();
    
18.    Object wordfile = Dispatch.invoke(wordacc,"Open", Dispatch.Method,
    
19.    new Object[]{inFile,new Variant(false), new Variant(true)},
    
20.    new int[1] ).toDispatch();
    
21.    Dispatch.invoke(wordfile,"SaveAs", Dispatch.Method, new Object[]{tpFile,new  Variant(8)}, new int[1]);
    
22.    Variant f = new Variant(false);
    
23.    Dispatch.call(wordfile, "Close", f);
    
24.    flag = true;
    
25.   } catch (Exception e) {
    
26.    e.printStackTrace();
    
27.   } finally {
    
28.    component.invoke("Quit", new Variant[] {});
    
29.   }
    
30. }
    
31. }

复制代码

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：

1. import java.io.*;
   
2. import org.textmining.text.extraction.WordExtractor;
   
3. /**
   
4. * Title: word extraction
   
5. */
   
6. 
   
7. public class PdfExtractor {
   
8. 
   
9. public PdfExtractor() {
   
10. }
    
11. 
    
12. public static void main(String args[]) throws Exception {
    
13.   FileInputStream in = new FileInputStream ("c:\\a.doc");
    
14.   WordExtractor extractor = new WordExtractor();
    
15.   String str = extractor.extractText(in);
    
16.   System.out.println("the result length is"+str.length());
    
17.   System.out.println("the result is"+str);
    
18. }
    
19. }

复制代码

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：

1. import org.pdfbox.pdmodel.PDdocument．
   
2. import org.pdfbox.pdfparser.PDFParser;
   
3. import java.io.*;
   
4. import org.pdfbox.util.PDFTextStripper;
   
5. import java.util.Date;
   
6. /**
   
7. * Title: pdf extraction
   
8. */
   
9. 
   
10. public class PdfExtracter{
    
11. 
    
12. public PdfExtracter(){
    
13. }
    
14. 
    
15. public String GetTextFromPdf(String filename) throws Exception {
    
16.   String temp=null;
    
17.   PDdocument．nbsppdfdocument．null;
    
18.   FileInputStream is=new FileInputStream(filename);
    
19.   PDFParser parser = new PDFParser( is );
    
20.   parser.parse();
    
21.   pdfdocument．nbsp= parser.getPDdocument．);
    
22.   ByteArrayOutputStream out = new ByteArrayOutputStream();
    
23.   OutputStreamWriter writer = new OutputStreamWriter( out );
    
24.   PDFTextStripper stripper = new PDFTextStripper();
    
25.   stripper.writeText(pdfdocument．getdocument．), writer );
    
26.   writer.close();
    
27.   byte[] contents = out.toByteArray();
    
28.   String ts=new String(contents);
    
29.   System.out.println("the string length is"+contents.length+"\n");
    
30.   return ts;
    
31. }
    
32. 
    
33. public static void main(String args[]) {
    
34.   PdfExtracter pf=new PdfExtracter();
    
35.   PDdocument．nbsppdfdocument．nbsp= null;
    
36.   try{
    
37.    String ts=pf.GetTextFromPdf("c:\\a.pdf");
    
38.    System.out.println(ts);
    
39.   } catch(Exception e) {
    
40.    e.printStackTrace();
    
41.   }
    
42. }
    
43. }
    

复制代码

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：

1. import java.io.*;
   
2. /**
   
3. * Title: pdf extraction
   
4. */
   
5. 
   
6. public class PdfWin {
   
7. 
   
8. public PdfWin() {
   
9. }
   
10. 
    
11. public static void main(String args[]) throws Exception {
    
12.   String PATH_TO_XPDF="C:\\Program Files\\xpdf\\pdftotext.exe";
    
13.   String filename="c:\\a.pdf";
    
14.   String[] cmd = new String[] { PATH_TO_XPDF, "-enc", "UTF-8", "-q", filename, "-"};
    
15.   Process p = Runtime.getRuntime().exec(cmd);
    
16.   BufferedInputStream bis = new BufferedInputStream(p.getInputStream());
    
17.   InputStreamReader reader = new InputStreamReader(bis, "UTF-8");
    
18.   StringWriter out = new StringWriter();
    
19.   char [] buf = new char[10000];
    
20.   int len;
    
21.   while((len = reader.read(buf))>= 0) {
    
22.    //out.write(buf, 0, len);
    
23.    System.out.println("the length is"+len);
    
24.   }
    
25.   reader.close();
    
26.   String ts=new String(buf);
    
27.   System.out.println("the str is"+ts);
    
28. }
    
29. }

复制代码

looklook                    

貌似很犀利的样子