java实现pdf转word

调研

可供选择的方案并不多，解决思路可以分成两类。一类是直接使用工具将pdf转成word，另一类是先用工具将pdf中的内容提取出来，再使用其他工具将内容创建到新的word中。目前，着重尝试了第一类方案。
第一类方案中最流行的方法是使用pdfbox工具包，另一种方法是使用COM技术，利用java调用windows平台的COM组件完成转换。第一种方法完全使用java库，没有平台限制，第二种方法则依赖于windows平台，Adobe的Acrobat软件在pdf转word中功能良好，Jacob可以实现java代码和COM组件之间的互操作。
分别尝试了上述两种方法，发现第二种方法转换效果更好一些。

原pdf文件

使用PDFBOX的转换结果

Acrobat的转换结果

从图中可以看出使用pdfbox转换的结果原来的格式已经没有了，并且表格也没有解析出来。但是使用Acrobat转换的结果能较完整的保留原来的格式。下面的解决方案主要介绍使用Acrobat实现的方法。

代码

import java.io.File;

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

public class Pdf2Word {
	public static void main(String[] args) {
		File inPath = new File("./test.pdf");
		File outPath = new File("./test.docx");
		//pdfActiveX PDDoc对象 主要建立PDF对象
		ActiveXComponent app = new ActiveXComponent("AcroExch.PDDoc");
		//PDF控制对象
		Dispatch pdfObject = app.getObject();
		long start = System.currentTimeMillis();
		//打开PDF文件，建立PDF操作的开始
        Dispatch.call(pdfObject, "Open", new Variant(inPath.getAbsolutePath())); 
		Variant jsObj = Dispatch.call(pdfObject, "GetJSObject");
		Dispatch.call(jsObj.getDispatch(), "SaveAs", outPath.getPath(), "com.adobe.acrobat.docx");
		app.invoke("Close");
		long end = System.currentTimeMillis();
		System.out.println((end-start)/1000);
		System.out.println("Wao-haha");
	}
}

代码比较简短，第14行中“AcroExch.PDDoc”是Acrobat安装后注册的COM组件；组件方法参考：https://help.adobe.com/en_US/acrobat/acrobat_dc_sdk/2015/HTMLHelp/#t=Acro12_MasterBook%2FIAC_API_OLE_Objects%2FOLE_Automation2.htm。

使用方法

环境配置

Jacob
从https://sourceforge.net网站查找并下载Jacob。下载的ZIP包的结构如图所示。 Jacob.jar引入到项目中；dll文件有两个根据自己电脑的平台选择合适的文件放在 %JAVA_HOME%\jre\bin 或 %JAVA_HOME%\bin 目录下。

Acrobat
下载后直接安装

首先要确保在windows平台上。调用时可以对代码进行再组织，封装成一个方法。需要注意的是转换过程比较耗时，如果转换一个大文件或者短时间内转换多个文件可以考虑多线程。

性能

电脑配置：Intel i5-7300HQ，8G内存，64位Win10系统
 转换一个3页的pdf论文，用时4s。
 转换一个554页的pdf格式的电子书，用时80s。