使用Java在Excel中讀取嵌入式pdf文件

Question

我是Java編程的新手。 我當前的項目要求我讀取Excel工作表中的Embedded（ole）文件並獲取其中的文本內容。 讀取嵌入式Word文件的示例效果很好，但是我找不到讀取嵌入式pdf文件的幫助。 通過查看類似的示例來嘗試幾件事...。

http://poi.apache.org/spreadsheet/quick-guide.html#Embedded

我在下面提供了代碼，可能在幫助下可以取得正確的方向。 我已經使用Apache POI讀取excel和pdfbox中的嵌入式文件來解析pdf數據。

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();
    }
}

}

下面是eclipse的輸出

Acrobat reader document

讀取錯誤錯誤：文件結束，預期行最后沒有

Answer 1

PDF未打包OLE 1.0，但以某種方式嵌入其中-至少該提取對我有用。 這不是一般的解決方案，因為它取決於嵌入應用程序如何命名條目...當然，對於PDF，您可以檢查所有DocumentNode -s的魔術數字“％PDF”-如果使用OLE 1.0打包的元素，需要做不同的事情...

我認為，pdf的真實文件名隱藏在\\1Ole或CompObj條目中，但是對於示例而言，顯然對於您的用例而言，並不需要確定。

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();
    }
}