Java 抽取 Word/PDF 文本的四大方案實戰對比

方案一：Jacob —— COM 橋接調用 Microsoft Word

原理：Jacob (Java-COM Bridge) 調用 Word.Application COM 組件，將文檔另存為 HTML/XML，再解析文本。

依賴

• jacob.jar + 平台相關 jacob.dll (放入 PATH)。
• 需目標機安裝 Microsoft Word。

核心代碼

ActiveXComponent word = new ActiveXComponent("Word.Application");
word.setProperty("Visible", new Variant(false));
Dispatch docs = word.getProperty("Documents").toDispatch();
Dispatch 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[]{htmlFile, new Variant(8)}, new int[1]); // 8 = wdFormatHTML
Dispatch.call(doc, "Close", new Variant(false));
word.invoke("Quit", new Variant[]{});

優缺點

• ✅ 支援 Word 所有格式 (.doc/.docx)、複雜排版完美還原。
• ❌ 強依賴 Windows + Word 安裝，無法在 Linux 服務器運行；啟動 Word 進程慢、佔內存大；需處理 COM 異常與資源釋放。

方案二：Apache POI —— 純 Java 解析 .doc/.docx

原理：POI 直接解析 OLE2 (doc) / OOXML (docx) 結構，提取文本。

依賴

• poi.jar、poi-ooxml.jar、xmlbeans.jar 等。

核心代碼

// .doc (HWPF)
FileInputStream fis = new FileInputStream("a.doc");
WordExtractor extractor = new WordExtractor(fis);
String text = extractor.getText();

// .docx (XWPF)
XWPFDocument doc = new XWPFDocument(new FileInputStream("a.docx"));
String text = doc.getText();

優缺點

• ✅ 純 Java，跨平台；支援 .doc/.docx；無需 Office 安裝。
• ❌ 複雜排版(表格、浮動圖片、文本框)文本提取順序可能亂碼；大文件記憶體佔用高 (建議用 SAX 事件式 API)。

方案三：PDFBox —— 純 Java 解析 PDF

原理：PDFBox 解析 PDF 結構，PDFTextStripper 提取文本。

依賴

• pdfbox.jar、fontbox.jar。

核心代碼

PDDocument pdf = PDDocument.load(new File("a.pdf"));
PDFTextStripper stripper = new PDFTextStripper();
String text = stripper.getText(pdf);
pdf.close();

優缺點

• ✅ 純 Java，跨平台；Apache 項目活躍維護。
• ❌ 中文支援較弱：需嵌入字體或映射 Unicode，否則提取亂碼/空白；複雜版面(多欄、旋轉文本)提取順序不可控。

方案四：Xpdf (pdftotext.exe) —— 原生命令行工具封裝

原理：調用 Xpdf 開源項目的 pdftotext.exe 進程，輸出 UTF-8 文本。

依賴

• 下載 xpdf 二進制包 + 中文補丁包 (含字體配置)，按 README 部署。

核心代碼

String cmd = "C:/Program Files/xpdf/pdftotext.exe -enc UTF-8 -q a.pdf -";
Process p = Runtime.getRuntime().exec(cmd);
BufferedReader br = new BufferedReader(new InputStreamReader(p.getInputStream(), "UTF-8"));
StringBuilder sb = new StringBuilder();
String line;
while ((line = br.readLine()) != null) sb.append(line).append('\n');
br.close();
p.waitFor();
String text = sb.toString();

優缺點

• ✅ 中文提取效果最佳 (經補丁包)；處理速度快；無需 Java 庫依賴。
• ❌ 平台相關 (需為每種 OS 準備二進制)；進程啟動開銷大，不適合高併發；需處理路徑、權限、編碼問題。

綜合對比與選型建議

推薦組合策略

• 服務端批量轉文本 (Linux)：.doc/.docx → POI；PDF → Xpdf (pdftotext) (配中文補丁) 或 PDFBox (若中文需求低)。
• Windows 客戶端/單機工具：可用 Jacob 獲得最高保真度。
• 高併發在線預覽：預先異步轉換為純文本/HTML 存儲，前端直接讀取，避免實時解析阻塞。