java - 使用Java读取Excel中嵌入的pdf文件

Question

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。通过查看类似的例子尝试了一些事情......但没有成功。

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

我有下面的代码，也许在帮助下我可以找到正确的方向。我使用 Apache POI 读取 excel 中的嵌入文件，并使用 pdfbox 来解析 pdf 数据。

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中的输出

Acrobat reader document

读取时出错错误:文件结尾，预期行最后什么都没有

Answer 1

PDF 不是 OLE 1.0 打包的，但以某种方式嵌入 - 至少提取对我有用。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 中的魔数(Magic Number)“%PDF” - 并在对于 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，但对于示例以及显然对于您的用例而言，这是不必要的来确定。

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();
    }
}