Java 擷取 Word、Excel、PDF 文字內容的四大工具比較

在 Java 專案中需要從 Office 文件或 PDF 擷取純文字時，常見的解決方案有四種：Jacob (COM Bridge)、Apache POI、PDFBox、Apache Tika。本文逐一介紹其原理、適用場景與程式碼範例。

1. Jacob - 透過 COM 元件操作 Microsoft Office (僅限 Windows)

原理：Jacob (Java-COM Bridge) 呼叫 Windows 上已安裝的 Microsoft Word/Excel COM 自動化介面，將文件另存為 HTML/XML 再解析。

優點：相容性最好，支援所有 Word/Excel 版本功能（含複雜排版、巨集）。

缺點：僅限 Windows、需安裝 Office、啟動程序慢、佔用大量記憶體、需處理 dll 部署（32/64 位元對應）。

Maven 依賴：com.jacob:jacob:1.20（需額外放置 jacob.dll 至 java.library.path）。

import com.jacob.activeX.ActiveXComponent;
import com.jacob.com.Dispatch;
import com.jacob.com.Variant;

public class JacobWordExtractor {
    public static String extractText(String wordFilePath) {
        ActiveXComponent word = new ActiveXComponent("Word.Application");
        word.setProperty("Visible", new Variant(false));
        Dispatch docs = word.getProperty("Documents").toDispatch();
        Dispatch doc = Dispatch.call(docs, "Open", wordFilePath).toDispatch();
        // 另存為純文字或 HTML 再解析
        String tempHtml = System.getProperty("java.io.tmpdir") + "/temp.html";
        Dispatch.call(doc, "SaveAs", tempHtml, new Variant(8)); // wdFormatHTML = 8
        Dispatch.call(doc, "Close", new Variant(false));
        word.invoke("Quit", new Variant[]{});
        // 解析 tempHtml 取得純文字（略）
        return parseHtmlToText(tempHtml);
    }
}

2. Apache POI - 純 Java 讀寫 Office 格式 (跨平台)

優點：純 Java、跨平台、不需安裝 Office、社群活躍、支援 .doc/.docx/.xls/.xlsx。

缺點：對複雜排版（文字框、浮水印、特殊字型）支援有限、大檔案記憶體壓力大（建議使用 SAX 模式 XSSFReader）。

Maven 依賴：org.apache.poi:poi:5.3.0 (HSSF .doc/.xls)、org.apache.poi:poi-ooxml:5.3.0 (XSSF .docx/.xlsx)。

import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
import java.io.FileInputStream;

public class PoiDocxExtractor {
    public static String extractText(String docxPath) throws Exception {
        try (FileInputStream fis = new FileInputStream(docxPath);
             XWPFDocument doc = new XWPFDocument(fis);
             XWPFWordExtractor extractor = new XWPFWordExtractor(doc)) {
            return extractor.getText();
        }
    }
    // 舊版 .doc 使用 HWPFDocument + WordExtractor
}

3. PDFBox - 純 Java PDF 文字擷取 (跨平台)

優點：純 Java、跨平台、支援 PDF 1.7、可處理加密 PDF、可擷取文字座標。

缺點：中文支援需額外字型設定、複雜版面（多欄、表格）擷取順序可能錯亂、大檔案耗時。

Maven 依賴：org.apache.pdfbox:pdfbox:3.0.0。

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;

public class PdfBoxExtractor {
    public static String extractText(String pdfPath) throws Exception {
        try (PDDocument doc = PDDocument.load(new File(pdfPath))) {
            PDFTextStripper stripper = new PDFTextStripper();
            stripper.setSortByPosition(true); // 按位置排序
            // 中文需設定字型：stripper.setFont(new PDType0Font(...));
            return stripper.getText(doc);
        }
    }
}

4. Apache Tika - 通用內容分析框架 (整合上述所有)

優點：單一 API 擷取所有格式（Office、PDF、HTML、Email、圖片 OCR 等）、自動偵測 MIME 類型、支援中繼資料擷取。

缺點：間接層增加少許開銷、底層仍依賴 POI/PDFBox 等，問題同前。

Maven 依賴：org.apache.tika:tika-core:2.9.0, org.apache.tika:tika-parsers-standard-package:2.9.0。

import org.apache.tika.Tika;
import java.io.File;

public class TikaExtractor {
    public static String extractText(String filePath) throws Exception {
        Tika tika = new Tika();
        return tika.parseToString(new File(filePath));
    }
}

選型建議對照表

常見坑點提醒

• 中文亂碼：PDFBox 需載入中文字型（PDType0Font.load(doc, new File("msyh.ttf"))）；POI .docx 通常正常，.doc 需確認編碼。
• 資源洩漏：務必使用 try-with-resources 關閉 PDDocument, XWPFDocument, ActiveXComponent (呼叫 Quit)。
• 效能：Jacob 啟動 Word 程序極慢，不適合高併發；POI/PDFBox 可用執行緒池平行處理。
• 授權：上述皆為 Apache License 2.0 或 LGPL，商業使用友善。