使用Java在excel中读取嵌入的pdf文件
我是Java编程新手。我当前的项目要求我读取excel工作表中的嵌入(ole)文件并获取其中的文本内容。阅读嵌入式word文件的示例效果很好,但是我无法找到阅读嵌入式pdf文件的帮助。通过看类似的例子,尝试了一些事情。。。。但没有成功 我有下面的代码,也许在帮助下我能找到正确的方向。我使用ApachePOI读取excel和pdfbox中的嵌入文件来解析pdf数据使用Java在excel中读取嵌入的pdf文件,java,pdf,apache-poi,pdfbox,Java,Pdf,Apache Poi,Pdfbox,我是Java编程新手。我当前的项目要求我读取excel工作表中的嵌入(ole)文件并获取其中的文本内容。阅读嵌入式word文件的示例效果很好,但是我无法找到阅读嵌入式pdf文件的帮助。通过看类似的例子,尝试了一些事情。。。。但没有成功 我有下面的代码,也许在帮助下我能找到正确的方向。我使用ApachePOI读取excel和pdfbox中的嵌入文件来解析pdf数据 public class ReadExcel1 { public static void main(String[] args)
public class ReadExcel1 {
public static void main(String[] args) {
try {
FileInputStream file = new FileInputStream(new File("C:\\test.xls"));
POIFSFileSystem fs = new POIFSFileSystem(file);
HSSFWorkbook workbook = new HSSFWorkbook(fs);
for (HSSFObjectData obj : workbook.getAllEmbeddedObjects()) {
String oleName = obj.getOLE2ClassName();
if(oleName.equals("Acrobat Document")){
System.out.println("Acrobat reader document");
try{
DirectoryNode dn = (DirectoryNode) obj.getDirectory();
for (Iterator<Entry> entries = dn.getEntries(); entries.hasNext();) {
DocumentEntry nativeEntry = (DocumentEntry) dn.getEntry("CONTENTS");
byte[] data = new byte[nativeEntry.getSize()];
ByteArrayInputStream bao= new ByteArrayInputStream(data);
PDFParser pdfparser = new PDFParser(bao);
pdfparser.parse();
COSDocument cosDoc = pdfparser.getDocument();
PDFTextStripper pdfStripper = new PDFTextStripper();
PDDocument pdDoc = new PDDocument(cosDoc);
pdfStripper.setStartPage(1);
pdfStripper.setEndPage(2);
System.out.println("Text from the pdf "+pdfStripper.getText(pdDoc));
}
}catch(Exception e){
System.out.println("Error reading "+ e.getMessage());
}finally{
System.out.println("Finally ");
}
}else{
System.out.println("nothing ");
}
}
file.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
}
读取错误:文件结尾,应为行
最后
没有什么PDF不是OLE 1.0打包的,但以某种方式嵌入了不同的内容-至少提取对我来说是有效的。 这不是一个通用的解决方案,因为它取决于嵌入应用程序如何命名条目。。。当然,对于PDF,您可以检查所有
DocumentNode
-s中的幻数“%PDF”-对于OLE 1.0打包元素,这需要以不同的方式完成
我认为,pdf的真实文件名隐藏在\1Ole
或CompObj
条目中的某个地方,但对于示例和您的用例来说,这显然是不需要确定的
import java.io.*;
import java.net.URL;
import org.apache.poi.hssf.usermodel.*;
import org.apache.poi.poifs.filesystem.*;
import org.apache.poi.util.IOUtils;
public class EmbeddedPdfInExcel {
public static void main(String[] args) throws Exception {
NPOIFSFileSystem fs = new NPOIFSFileSystem(new URL("http://jamesshaji.com/sample.xls").openStream());
HSSFWorkbook wb = new HSSFWorkbook(fs.getRoot(), true);
for (HSSFObjectData obj : wb.getAllEmbeddedObjects()) {
String oleName = obj.getOLE2ClassName();
DirectoryNode dn = (DirectoryNode)obj.getDirectory();
if(oleName.contains("Acro") && dn.hasEntry("CONTENTS")){
InputStream is = dn.createDocumentInputStream("CONTENTS");
FileOutputStream fos = new FileOutputStream(obj.getDirectory().getName()+".pdf");
IOUtils.copy(is, fos);
fos.close();
is.close();
}
}
fs.close();
}
}
第一件看起来很奇怪的事情是
dn.getEntry(“CONTENTS”)
-PDF应该位于名为MBD…
(有关更多详细信息,请参阅)的DirectoryNode中。。。我猜,你正在访问一些空流。。。你能提供一个示例Excel文件吗?!你读过?@kiwiwings了吗?我确实在DirectoryNode中看到了“MBD”条目,其中没有任何数据。dn.getEntry(“CONTENTS”)为我提供了大小超过10000的数据,因此假设在该特定条目中有可用的数据。@James Shaji如果您要上传一个示例文件,我可以获得。如果您从HSSFObjectData获取数据而无需进一步处理,或者必须使用POIFS条目来检索数据,我将不得不尝试。此外,嵌入式对象和(OLE 1.0)打包对象之间可能存在差异,因此使用真实文件(而不仅仅是理论提示…)更容易找到它们。@kiwiwings我已将excel表上载到感谢kiwiwings!!我在哪里可以找到帮助我理解文件结构的文档?你真的想通读MS规范吗???有两个规格需要检查:,对于其他office格式,您可以在第二个链接附近找到规格
import java.io.*;
import java.net.URL;
import org.apache.poi.hssf.usermodel.*;
import org.apache.poi.poifs.filesystem.*;
import org.apache.poi.util.IOUtils;
public class EmbeddedPdfInExcel {
public static void main(String[] args) throws Exception {
NPOIFSFileSystem fs = new NPOIFSFileSystem(new URL("http://jamesshaji.com/sample.xls").openStream());
HSSFWorkbook wb = new HSSFWorkbook(fs.getRoot(), true);
for (HSSFObjectData obj : wb.getAllEmbeddedObjects()) {
String oleName = obj.getOLE2ClassName();
DirectoryNode dn = (DirectoryNode)obj.getDirectory();
if(oleName.contains("Acro") && dn.hasEntry("CONTENTS")){
InputStream is = dn.createDocumentInputStream("CONTENTS");
FileOutputStream fos = new FileOutputStream(obj.getDirectory().getName()+".pdf");
IOUtils.copy(is, fos);
fos.close();
is.close();
}
}
fs.close();
}
}