---

　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　在从weblogic系统迁移到jboss系统的时候，中文存储到数据库和XML文件出现乱码。
　　我使用的是jboss3.0.8jetty版。
　　这是由于JBOSS中传递变量默认的ISO-8859-1的西文字符集。
　　我的解决办法是直接修改org.mortbay.jetty.jar。这样不用在程序中写很多转换过程。
　　首先到http://sourceforge.net/project/showfiles.php?group_id=7322，凡是叫 xxxx-src.tar.gz 的，都是源代码。我下载的是jetty-4.2.20RC0-all。
　　在../jboss-3.0.8/server/default/deploy/jbossweb.sar目录下，需要修改org.mortbay.jetty.jar中的orgmortbayhttp下的HttpRequest.java
　　下面是代码修改部分：
private void extractParameters()
{
if (_param*tracted)
return;
_param*tracted=true;
if (_parameters==null)
_parameters=new MultiMap(16);
// Handle query string
String encoding=getCharacterEncoding();
if (encoding==null)
{
// No encoding, so use the existing characters.
//anita modify
//encoding=StringUtil.__ISO_8859_1;
encoding=StringUtil.__GBK;
_uri.putParametersTo(_parameters);
}
else
{
// An encoding has been set, so reencode query string.
String query=_uri.getQuery();
if (query!=null)
{
try
{
//anita modify
//byte[]qbytes=query.getBytes(StringUtil.__ISO_8859_1);
byte[]qbytes=query.getBytes(StringUtil.__GBK);
UrlEncoded.decodeTo(qbytes,0,qbytes.length,_parameters,encoding);
}
catch(Exception e)
{
_uri.putParametersTo(_parameters);
}
}
}
　　在注释了“//anita modify”的部分下，是关键的替换部分。
　　现在才做了一小部分工作哦，还要继续。在StringUtil下并没有__GBK方法，那我们就添加自己需要的这段代码。
　　到orgmortbayutil下，打开StringUtil.java
　　我们需要做的是在源程序中添加如下代码：
//anita add for GBK
public static String __GBK;
static
{
String GBK=System.getProperty("GBK");
if (GBK!=null)
__GBK=GBK;
else
{
try{
new String(new byte[]{(byte)20},"GBK");
__GBK="GBK";
}
catch(java.io.UnsupportedEncodingException e)
{
__GBK="GBK";
}
}
}
　　修改完，使用ant来执行编译打包，并替换掉JBOSS自带的org.mortbay.jetty.jar。
　　这样，中文存储问题就解决了。如果某位老大非要在地址中使用中文URL怎么办？让我继续……
　　到orgmortbayutil下，打开URI.java找到大约200行。
public void setURI(String uri)
{
………………
………………
// complete last state
switch(state)
{
case 1:
………………
case 2:
………………
case 3:
_dirty=(mark==maxi);
_encodedPath=uri.substring(mark);
_path = java.net.URLDecoder.decode(_encodedPath, "UTF8");
// 我用上面这句替换了下面这句，就可以了 :)
//_path=decodePath(_encodedPath);
break;
case 4:
………………
case 5:
………………
}
}
　　同样编译打包，替换org.mortbay.jetty.jar。
　　这样如果你的路径中出现中文字符也可以顺利解决了。
　　上述解决方法在WIN2000和REDHAT LINUX上均运行成功。
　　别忘了，LINUX上要设置你的字符集。
　　locate一下，如果还不是GBK字符集，那需要：
　　export LANG=zh_CN.GBK
　　export LC_ALL=zh_CN.GBKxpdf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);
}
}