利用pdfbox和poi抽取pdf、doc以及docx格式的内容

使用pdfbox1.5.0抽取pdf格式文档内容，使用poi3.7抽取doc及docx文档内容：

 /**
  * Created by yan.shi on 2017/9/25.
  */
 import org.apache.pdfbox.pdfparser.PDFParser;
 import org.apache.pdfbox.pdmodel.PDDocument;
 import org.apache.pdfbox.util.PDFTextStripper;

 import org.apache.poi.POIXMLDocument;
 import org.apache.poi.POIXMLTextExtractor;
 import org.apache.poi.hwpf.extractor.WordExtractor;
 import org.apache.poi.openxml4j.exceptions.OpenXML4JException;
 import org.apache.poi.openxml4j.opc.OPCPackage;
 import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
 import org.apache.xmlbeans.XmlException;

 import java.io.File;
 import java.io.FileInputStream;
 import java.io.IOException;

 /**
  * 这里使用pdfbox解析pdf类型文档
  * 使用poi解析doc与docx类型文档
  */
 public class ExtractText {

     public static void main(String[] args) {
         ExtractText text=new ExtractText();
         String filePath="文件";
         String content=text.getText(filePath);
         if(null!=content)
             System.out.println("content: "+content);
     }

     public ExtractText(){
     }
     public ExtractText(String filePath){
     }

     /**
      * 根据不同的文档类型读取，这里只使用pdf、doc、docs类型
      * @param filePath
      * @return
      */
     public String getText(String filePath){
         File file = new File(filePath);
         String fileName=file.getName();
         String postfix=fileName.substring(fileName.lastIndexOf(".")+1);
         String content=null;
         if(postfix.equalsIgnoreCase("pdf")){
             content=getPDFText(file);
         }else if(postfix.equalsIgnoreCase("doc")){
             content=getDocText(file);
         }else if(postfix.equalsIgnoreCase("docx")){
             content=getDocxText(filePath);
         }else {
             System.out.println("输入的文件格式不支持！");
             return null;
         }
         if(null!=content && !"".equals(content))
             return content;
         else
             return null;
     }

     /**
      * 利用pdfbox解析pdf内容
      * @param file
      * @return
      */
     private String getPDFText(File file){
         FileInputStream fileinput=null;
         String text=null;
         try {
             fileinput=new FileInputStream(file);
             PDFParser parser=new PDFParser(fileinput);//pdf解析器
             parser.parse();//解析
             PDDocument pdfdocument=parser.getPDDocument();//pdf文档
             PDFTextStripper stripper=new PDFTextStripper();//文本剥离
             //List allPages=pdfdocument.getDocumentCatalog().getAllPages();
             text=stripper.getText(pdfdocument);//从pdf文档剥离文本
         } catch (IOException e) {
             e.printStackTrace();
         }finally {
             if(fileinput!=null){
                 try {
                     fileinput.close();
                 } catch (IOException e) {
                     e.printStackTrace();
                 }
             }
         }
         return text;
     }

     /**
      * 读取doc文档类型
      * @param file
      * @return
      */
     private String getDocText(File file){
         FileInputStream fileinput=null;
         String text=null;

         try {
             fileinput=new FileInputStream(file);
             WordExtractor we=new WordExtractor(fileinput);
             //text=we.getText();
             String s[]=we.getParagraphText();
             for(String str:s){
                 str=str.trim();
                 if(str.equals("") || str==null)
                     continue;
                 //System.out.println(str);
             }
         } catch (IOException e) {
             e.printStackTrace();
         }finally {
             if(fileinput!=null){
                 try {
                     fileinput.close();
                 } catch (IOException e) {
                     e.printStackTrace();
                 }
             }
         }
         return text;
     }

     /**
      * 读取docx文档类型
      * @param file
      * @return
      */
     private String getDocxText(String file){
         String text=null;
         try {
             OPCPackage opcPackage=POIXMLDocument.openPackage(file);
             POIXMLTextExtractor extractor=new XWPFWordExtractor(opcPackage);
             text=extractor.getText();
            //InputStream is=new FileInputStream(file);
             //XWPFWordExtractor doc=new XWPFWordExtractor(OPCPackage.open(is));
             //List<XWPFParagraph> paras=doc.get
             //System.out.println(text);
         } catch (IOException e) {
             e.printStackTrace();
         } catch (XmlException e) {
             e.printStackTrace();
         } catch (OpenXML4JException e) {
             e.printStackTrace();
         }
         return text;
     }

 }