可以用PDFBox
至於生成word,用POI;HTML的話,自己解析就可以了
PDFBox是一個開源的可以操作PDF文檔的Java PDF類庫。它可以創建一個新PDF文檔,操作現有PDF文檔並提取文檔中的內容。
它具有以下特性:
1.將一個PDF文檔轉換輸出為一個文本文件。
2.可以從文本文件創建一個PDF文檔。
3.加密/解密PDF文檔。
4.向已有PDF文檔中追加內容。
5.可以從PDF文檔生成一張圖片。
6.可以與Jakarta Lucene搜索引擎的整合
B. 如何用java將pdf文件轉換成word文件
需要用到插件jacob，自己去下載吧。
import com.jacob.activeX.ActiveXComponent;
import com.jacob.com.ComThread;
import com.jacob.com.Dispatch;
import com.jacob.com.Variant;
public class D2P {
private ActiveXComponent wordCom = null;
private Object wordDoc = null;
private final Variant False = new Variant(false);
private final Variant True = new Variant(true);
/** *//** *//** *//**
* 打開word文檔
*
* @param filePath
* word文檔
* @return 返回word文檔對象
*/
public boolean openWord(String filePath) {
//建立ActiveX部件
wordCom = new ActiveXComponent("Word.Application");
try {
//返回wrdCom.Documents的Dispatch
Dispatch wrdDocs = wordCom.getProperty("Documents").toDispatch();
//調用wrdCom.Documents.Open方法打開指定的word文檔，返回wordDoc
wordDoc = Dispatch.invoke(wrdDocs, "Open", Dispatch.Method,
new Object[] { filePath }, new int[1]).toDispatch();
return true;
} catch (Exception ex) {
ex.printStackTrace();
}
return false;
}
/** *//** *//** *//**
* 關閉word文檔
*/
public void closeWord() {
//關閉word文件
wordCom.invoke("Quit", new Variant[] {});
}
/** *//** *//** *//**
* * 將word文檔列印為PS文件後，使用Distiller將PS文件轉換為PDF文件 *
*
* @param sourceFilePath
* 源文件路徑 *
* @param destinPSFilePath
* 首先生成的PS文件路徑 *
* @param destinPDFFilePath
* 生成PDF文件路徑
*/
public void docToPDF(String sourceFilePath, String destinPSFilePath,
String destinPDFFilePath) {
if (!openWord(sourceFilePath)) {
closeWord();
return;
}
//建立Adobe Distiller的com對象
ActiveXComponent distiller = new ActiveXComponent(
"PDFDistiller.PDFDistiller.1");
try {
//設置當前使用的列印機，我的Adobe Distiller列印機名字為"Adobe PDF"
wordCom.setProperty("ActivePrinter", new Variant("MS Publisher Color Printer"));
//設置printout的參數，將word文檔列印為postscript文檔。目前只使用了前5個參數，如果要使用更多的話可以參考MSDN的office開發相關api
//是否在後台運行
Variant Background = False;
//是否追加列印
Variant Append = False;
//列印所有文檔
int wdPrintAllDocument = 0;
Variant Range = new Variant(wdPrintAllDocument);
//輸出的postscript文件的路徑
Variant OutputFileName = new Variant(destinPSFilePath);
Dispatch.callN((Dispatch) wordDoc, "PrintOut", new Variant[] {
Background, Append, Range, OutputFileName });
System.out.println("由word文檔列印為ps文檔成功！");
//調用Distiller對象的FileToPDF方法所用的參數，詳細內容參考Distiller Api手冊
//作為輸入的ps文檔路徑
Variant inputPostScriptFilePath = new Variant(destinPSFilePath);
//作為輸出的pdf文檔的路徑
Variant outputPDFFilePath = new Variant(destinPDFFilePath);
//定義FileToPDF方法要使用adobe pdf設置文件的路徑，在這里沒有賦值表示並不使用pdf配置文件
Variant PDFOption = new Variant("");
//調用FileToPDF方法將ps文檔轉換為pdf文檔
Dispatch.callN(distiller, "FileToPDF", new Variant[] {
inputPostScriptFilePath, outputPDFFilePath, PDFOption });
System.out.println("由ps文檔轉換為pdf文檔成功！");
} catch (Exception ex) {
ex.printStackTrace();
} finally {
closeWord();
wordCom=null;
//釋放在程序線程中引用的其它com，比如Adobe PDFDistiller
ComThread.Release();
}
}
public static void main(String[] argv) {
D2P d2p = new D2P();
d2p.docToPDF("d:/12.doc", "d:/1p.ps", "d:/1p.pdf");
//這里是你建一個叫12.doc的word文檔，生成的文檔將在D盤下
//1p.ps和1p.pdf（這是我們要的）
}
}
C. java讀取pdf文件的時候出現異常
當時想把pdf中的文字讀取成txt文件，方便我的手機閱讀，寫了以下代碼，解決了這個小問題
所需要的包：PDFBox-0.7.3.zip 解壓文件夾下：external下的全部，lib文件下的PDFBox-0.7.3.jar
注意：只能讀取文本格式的pdf，如果pdf為圖片格式的，本程序不能使用！
程序介紹：本程序將文本格式pdf中的文字讀取出來，存入與pdf文件同文件名的TXT文本文檔。
支持中文，但是在某些文字上會出現亂碼.
package com.small;
import java.io.File;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import java.io.Writer;
import java.net.MalformedURLException;
import java.net.URL;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class Pdfreader {
public void readFdf(String file) throws Exception {
// 是否排序
boolean sort = false;
// pdf文件名
String pdfFile = file;
// 輸入文本文件名稱
String textFile = null;
// 編碼方式
String encoding = "GB2312";
// 開始提取頁數
int startPage = 1;
// 結束提取頁數
int endPage = Integer.MAX_VALUE;
// 文件輸入流，生成文本文件
Writer output = null;
// 內存中存儲的PDF Document
PDDocument document = null;
try {
try {
// 首先當作一個URL來裝載文件，如果得到異常再從本地文件系統//去裝載文件
URL url = new URL(pdfFile); //注意參數已不是以前版本中的URL.而是File。
document = PDDocument.load(pdfFile);
// 獲取PDF的文件名
String fileName = url.getFile();
// 以原來PDF的名稱來命名新產生的txt文件
if (fileName.length() > 4) {
File outputFile = new File(fileName.substring(0, fileName
.length() - 4)
+ ".txt");
textFile = outputFile.getName();
}
} catch (MalformedURLException e) {
// 如果作為URL裝載得到異常則從文件系統裝載 //注意參數已不是以前版本中的URL.而是File。
document = PDDocument.load(pdfFile);
if (pdfFile.length() > 4) { textFile = pdfFile.substring(0, pdfFile.length() - 4)
+ ".txt";
}
}
// 文件輸入流，寫入文件倒textFile
output = new OutputStreamWriter(new FileOutputStream(textFile),
encoding);
// PDFTextStripper來提取文本
PDFTextStripper stripper = null;
stripper = new PDFTextStripper();
// 設置是否排序
stripper.setSortByPosition(sort);
// 設置起始頁
stripper.setStartPage(startPage);
// 設置結束頁
System.out.print(stripper.getText(document));
stripper.setEndPage(endPage);
// 調用PDFTextStripper的writeText提取並輸出文本
stripper.writeText(document, output);
} finally {
if (output != null) {
// 關閉輸出流
output.close();
}
if (document != null) {
// 關閉PDF Document
document.close();
}
}
} /**
* @param args
*/
public static void main(String[] args) {
Pdfreader pdfReader = new Pdfreader();
try {
// 讀取pdf文件
pdfReader.readFdf("d:\\2\\D.pdf");
} catch (Exception e) {
e.printStackTrace();
}
}
}
http://hi..com/websays/blog/item/bb5a9daa950dc1baca130c7f.html
D. java核心技術書pdf的能轉換成txt不
pdf是照片直接壓在一起形成的，也就是打包的圖片，所以是無法直接轉換為txt的，你要是不怕麻煩的話，可以用office 2003 完整版裡面的OCR識別器來識別吧
要將它們變成txt格式的文本。需要以下必要軟體。
1.office 2003 完整版。記住，必須是完整版的，大約500M左右。（因為只有它才有虛擬列印機和OCR識別功能。）
2.pdf\pdg閱讀軟體。
3.虛擬列印機軟體。
4.一本pdf或pdg電子書。
現在，我們開始轉變。
1.安裝pdf或pdg閱讀軟體。（如果你下載的是pdg電子書，那麼你就安裝pdg閱讀軟體。如果是pdf格式的電子書，你就安裝pdf閱讀軟體。總之，你要將你的電子書用相關的軟體打開。）
2.安裝，office 2003完整版。安裝office 2003完整版時，電腦會問你是否重啟計算機，如果是你的私人計算機，那麼你就重啟你的計算機，安裝上office 2003完整版也不錯。但如果你是在網吧里上網的話，你就不重啟電腦，因為網吧里一般都安裝有還原精靈。一重啟，電腦上的數據就沒有了。所以這里你不一定要重啟，但是你必須安裝（虛擬列印機）這個軟體。一定要安裝哦！
3.用你的閱讀器打開你下載的電子書。
4.打開電子書後，點擊——文件——列印（電腦將用你的虛擬列印機列印你下載的電子書，列印完後，它會自動生成一個文檔。）
5.在這個自動生成的文檔里邊，你點擊——工具——發送到word文檔。在對話框里完成相關的設置。電腦將用office2003的OCR功能將你列印的電子書的字自動生成word文檔。
6.在這個word文檔裡面，你可以將裡面的內容修改、刪除、復制，就可以將你下載的電子書變成txt純文本了。
7.用office 2003的OCR功能識別的字，有一定的亂碼，這是一定的，你只需將亂碼的刪掉，錯誤的改改，就大功告成了。
8.在這里，我們主要運用的是office 2003的虛擬列印機和它的OCR識別功能。（再次提醒，office 2003必須是完整版的。）這兒有一個比較好的pdg閱讀器。叫什麼老馬的，到網上搜搜就應該能找到，比那個超星閱讀器強多了。那個超星限制太多，不好。pdf內格式的閱讀軟體比較多，很好找的。
9.在虛擬列印機列印和OCR識別功能的時候，裡面的設置你自己好好看看，應該沒什麼問題的。