对于除了txt文本以外的其他格式的文本内容的提取都是需要依赖第三方工具。解析不同格式的文档，需要先下载相关工具包。

    1）提取PDF格式文档内容。我用的都是最大众化，最普及的工具，这样方便学习，而且工具安全可靠。解析pdf运用最多的就是PDFBox，下载地址：http://www.pdfbox.org/  将其中 PDFBox.jar加入到项目中。

         代码如下：     

public class PdfHandler {

    public String getDocument(InputStream is) throws Exception {

       COSDocument cosDoc = null;

       try{

           cosDoc = parseDocument(is);  第二步：调用pdfbox中pdf解析器对pdf文档就行解析，并将结果赋值给COSDocument对象

       }catch(IOException e){

           e.printStackTrace();

       }

       String docText = "";

       try{

           PDFTextStripper stripper = new PDFTextStripper();

           docText = stripper.getText(new PDDocument(cosDoc));第三步：调用pdfbox中PDFTextStripper类对文档内容进行提取

           System.out.println(" doctext :: " + docText);docText中就是提取的pdf文档内容

       }catch(Exception e){

           e.printStackTrace();

       }

       return docText;

    }

    private static COSDocument parseDocument(InputStream is) throws Exception{

       // pdf解析器

       PDFParser parser = new PDFParser(is);

       parser.parse();

       return parser.getDocument();

    }

public static void main(String[] args) throws Exception{

PdfHandler ph = new PdfHandler();

       Document doc = ph.getDocument(new FileInputStream(new File("D:\\test\\2.pdf"))); 第一步：以流的形式传入pdf文档

    }

}

代码很简单，上面代码即可运行，但是运行会报错：

Exception in thread "main" java.lang.NoClassDefFoundError: org/fontbox/cmap/CMapParser

 at org.pdfbox.pdmodel.font.PDFont.parseCmap(PDFont.java:534)

 at org.pdfbox.pdmodel.font.PDFont.encode(PDFont.java:387)

 at org.pdfbox.util.PDFStreamEngine.showString(PDFStreamEngine.java:325)

 at org.pdfbox.util.operator.ShowText.process(ShowText.java:64)

 at org.pdfbox.util.PDFStreamEngine.processOperator(PDFStreamEngine.java:452)

 at org.pdfbox.util.PDFStreamEngine.processSubStream(PDFStreamEngine.java:215)

 at org.pdfbox.util.PDFStreamEngine.processStream(PDFStreamEngine.java:174)

 at org.pdfbox.util.PDFTextStripper.processPage(PDFTextStripper.java:336)

 at org.pdfbox.util.PDFTextStripper.processPages(PDFTextStripper.java:259)

 at org.pdfbox.util.PDFTextStripper.writeText(PDFTextStripper.java:216)

 at com.ty.test.testread.geText(testread.java:83)

 at com.ty.test.testread.main(testread.java:25)

原因：还缺少一个jar包。在下载的PDFBox文件夹中 找到FontBox.jar加入到项目中即可。

注意：解析的pdf文档必须是未加密的，加密的pdf文档时解析不成功的。程序无法对PDF进行解密的，除了你知道解密密码，不然无法办到。可以先下载一个破解PDF工具，先清楚密码，再操作。