您的位置: 首页  >  IT文章  >  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作

开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作

分类: IT文章 • 2024-08-03 16:35:55
开发中有关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作

 

关于这七种文档，我相信应该是最常用的文档了

在以下的介绍中会提到POI，现介绍下POI吧

poi处理WORD,EXCEL比较好:http://jakarta.apache.org/poi/

poi处理至少需要如下几个JAR包


开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
 
PDFbox处理PDF比较好：http://pdfbox.apache.org/download.html


下面一一介绍了

第一和第二是只支持03版的word和excel文档

   第一、首先来看WORD文档：
我这里用的是poi，相关jar包自己去下载，然后加到工程中（以下所要用的jar包也是，不再重复说）

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: medium;"><span style="font-size: large;">public static String readWord(String path) throws Exception {  
  2. String bodyText = null;  
  3. try {  
  4. FileInputStream is = new FileInputStream(path);  
  5. bodyText = new WordExtractor(is).getText();  
  6. } catch (Exception e) {  
  7. System.out.println("=======");  
  8. }  
  9. return bodyText;  
  10. }</span></span>  

 



  第二、Exel的文档

 

 

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: medium;"><span style="font-size: large;">public static String ReadExcel(String path) throws IOException {  
  2. InputStream inputStream = null;  
  3. String content = null;  
  4. try {  
  5. inputStream = new FileInputStream(path);  
  6. HSSFWorkbook wb = new HSSFWorkbook(inputStream);  
  7. ExcelExtractor extractor = new ExcelExtractor(wb);  
  8. extractor.setFormulasNotResults(true);  
  9. extractor.setIncludeSheetNames(false);  
  10. content = extractor.getText();  
  11. } catch (FileNotFoundException e) {  
  12. e.printStackTrace();  
  13. }  
  14. return content;  
  15. }</span></span>  

 

  




 针对07版的word和excel的操作

   package com.test;

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: large;">     
  2. /**    
  3.  * 需要的jar包：    
  4.  * poi-3.0.2-FINAL-20080204.jar    
  5.  * poi-contrib-3.0.2-FINAL-20080204.jar    
  6.  * poi-scratchpad-3.0.2-FINAL-20080204.jar    
  7.  * poi-3.5-beta6-20090622.jar    
  8.  * geronimo-stax-api_1.0_spec-1.0.jar    
  9.  * ooxml-schemas-1.0.jar    
  10.  * openxml4j-bin-beta.jar    
  11.  * poi-ooxml-3.5-beta6-20090622.jar    
  12.  * xmlbeans-2.3.0.jar    
  13.  * dom4j-1.6.1.jar    
  14.  */     
  15.      
  16. import java.io.FileInputStream;      
  17. import java.io.IOException;      
  18. import java.io.InputStream;      
  19.      
  20. import org.apache.poi.POIXMLDocument;      
  21. import org.apache.poi.POIXMLTextExtractor;      
  22. import org.apache.poi.hssf.usermodel.HSSFCell;      
  23. import org.apache.poi.hssf.usermodel.HSSFRow;      
  24. import org.apache.poi.hssf.usermodel.HSSFSheet;      
  25. import org.apache.poi.hssf.usermodel.HSSFWorkbook;      
  26. import org.apache.poi.hwpf.extractor.WordExtractor;      
  27. import org.apache.poi.openxml4j.exceptions.OpenXML4JException;      
  28. import org.apache.poi.openxml4j.opc.OPCPackage;      
  29. import org.apache.poi.xssf.usermodel.XSSFCell;      
  30. import org.apache.poi.xssf.usermodel.XSSFRow;      
  31. import org.apache.poi.xssf.usermodel.XSSFSheet;      
  32. import org.apache.poi.xssf.usermodel.XSSFWorkbook;      
  33. import org.apache.poi.xwpf.extractor.XWPFWordExtractor;      
  34. import org.apache.xmlbeans.XmlException;      
  35.      
  36. public class WordAndExcelExtractor {      
  37.  public static void main(String[] args){      
  38.   try{      
  39.    String wordFile = "D:/松山血战.docx";      
  40.    String wordText2007 = WordAndExcelExtractor.extractTextFromDOC2007(wordFile);      
  41.    System.out.println("wordText2007======="+wordText2007);      
  42.          
  43.    InputStream is = new FileInputStream("D:/XXX研发中心技术岗位职位需求.xls");         
  44.    String excelText = WordAndExcelExtractor.extractTextFromXLS(is);         
  45.    System.out.println("text2003==========" + excelText);      
  46.          
  47.    String excelFile = "D:/Hello2007.xlsx";         
  48.    String excelText2007 = WordAndExcelExtractor.extractTextFromXLS2007(excelFile);      
  49.    System.out.println("excelText2007==========" + excelText2007);      
  50.      
  51.          
  52.   }catch(Exception e ){      
  53.    e.printStackTrace();      
  54.   }      
  55.  }      
  56.        
  57.  /**    
  58.   * @Method: extractTextFromDOCX    
  59.   * @Description: 从word 2003文档中提取纯文本    
  60.   *    
  61.   * @param     
  62.   * @return String    
  63.   * @throws    
  64.   */     
  65.     public static String extractTextFromDOC(InputStream is) throws IOException {      
  66.         WordExtractor ex = new WordExtractor(is); //is是WORD文件的InputStream       
  67.      
  68.         return ex.getText();      
  69.     }      
  70.        
  71.  /**    
  72.   * @Method: extractTextFromDOCX    
  73.   * @Description: 从word 2007文档中提取纯文本    
  74.   *    
  75.   * @param     
  76.   * @return String    
  77.   * @throws    
  78.   */     
  79.     public static String extractTextFromDOC2007(String fileName) throws IOException, OpenXML4JException, XmlException {      
  80.      OPCPackage opcPackage = POIXMLDocument.openPackage(fileName);      
  81.      POIXMLTextExtractor ex = new XWPFWordExtractor(opcPackage);         
  82.      
  83.         return ex.getText();      
  84.     }      
  85.        
  86.  /**    
  87.   * @Method: extractTextFromXLS    
  88.   * @Description: 从excel 2003文档中提取纯文本    
  89.   *    
  90.   * @param     
  91.   * @return String    
  92.   * @throws    
  93.   */     
  94.     @SuppressWarnings("deprecation")      
  95.  private static String extractTextFromXLS(InputStream is)      
  96.         throws IOException {      
  97.         StringBuffer content  = new StringBuffer();      
  98.         HSSFWorkbook workbook = new HSSFWorkbook(is); //创建对Excel工作簿文件的引用       
  99.      
  100.         for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {      
  101.             if (null != workbook.getSheetAt(numSheets)) {      
  102.                 HSSFSheet aSheet = workbook.getSheetAt(numSheets); //获得一个sheet      
  103.      
  104.                 for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) {      
  105.                     if (null != aSheet.getRow(rowNumOfSheet)) {      
  106.                         HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一行      
  107.      
  108.                         for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {      
  109.                             if (null != aRow.getCell(cellNumOfRow)) {      
  110.                                 HSSFCell aCell = aRow.getCell(cellNumOfRow); //获得列值      
  111.                                                                       
  112.                                 if(aCell.getCellType() == HSSFCell.CELL_TYPE_NUMERIC){      
  113.                                  content.append(aCell.getNumericCellValue());      
  114.                                 }else if(aCell.getCellType() == HSSFCell.CELL_TYPE_BOOLEAN){      
  115.                                  content.append(aCell.getBooleanCellValue());      
  116.                                 }else {      
  117.                                  content.append(aCell.getStringCellValue());      
  118.                                 }      
  119.                             }      
  120.                         }      
  121.                     }      
  122.                 }      
  123.             }      
  124.         }      
  125.      
  126.         return content.toString();      
  127.     }      
  128.           
  129.     /**    
  130.      * @Method: extractTextFromXLS2007    
  131.      * @Description: 从excel 2007文档中提取纯文本    
  132.      *    
  133.      * @param     
  134.      * @return String    
  135.      * @throws    
  136.      */     
  137.     private static String extractTextFromXLS2007(String fileName) throws Exception{      
  138.      StringBuffer content = new StringBuffer();      
  139.            
  140.      //构造 XSSFWorkbook 对象，strPath 传入文件路径          
  141.   XSSFWorkbook xwb = new XSSFWorkbook(fileName);      
  142.         
  143.   //循环工作表Sheet      
  144.   for(int numSheet = 0; numSheet < xwb.getNumberOfSheets(); numSheet++){      
  145.    XSSFSheet xSheet = xwb.getSheetAt(numSheet);       
  146.    if(xSheet == null){      
  147.     continue;      
  148.    }      
  149.          
  150.    //循环行Row      
  151.    for(int rowNum = 0; rowNum <= xSheet.getLastRowNum(); rowNum++){      
  152.     XSSFRow xRow = xSheet.getRow(rowNum);      
  153.     if(xRow == null){      
  154.      continue;      
  155.     }      
  156.           
  157.     //循环列Cell      
  158.     for(int cellNum = 0; cellNum <= xRow.getLastCellNum(); cellNum++){      
  159.      XSSFCell xCell = xRow.getCell(cellNum);      
  160.      if(xCell == null){      
  161.       continue;      
  162.      }      
  163.            
  164.      if(xCell.getCellType() == XSSFCell.CELL_TYPE_BOOLEAN){      
  165.       content.append(xCell.getBooleanCellValue());      
  166.      }else if(xCell.getCellType() == XSSFCell.CELL_TYPE_NUMERIC){      
  167.       content.append(xCell.getNumericCellValue());      
  168.      }else{      
  169.       content.append(xCell.getStringCellValue());      
  170.      }      
  171.     }      
  172.    }      
  173.   }      
  174.         
  175.   return content.toString();      
  176.     }      
  177.           
  178. }      
  179. </span>  

 

  第三、PowerPoint的文档

 

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: medium;"><span style="font-size: large;">public static String readPowerPoint(String path) {  
  2. StringBuffer content = new StringBuffer("");  
  3. try {  
  4. SlideShow ss = new SlideShow(new HSLFSlideShow(new FileInputStream(  
  5. path)));// is  
  6. // 为文件的InputStream，建立SlideShow  
  7. Slide[] slides = ss.getSlides();// 获得每一张幻灯片  
  8. for (int i = 0; i < slides.length; i++) {  
  9. TextRun[] t = slides[i].getTextRuns();// 为了取得幻灯片的文字内容，建立TextRun  
  10. for (int j = 0; j < t.length; j++) {  
  11. content.append(t[j].getText());// 这里会将文字内容加到content中去  
  12. }  
  13. }  
  14. } catch (Exception ex) {  
  15. System.out.println(ex.toString());  
  16. }  
  17. return content.toString();  
  18. }</span></span>  

 

 






 第四、PDF的文档

 

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: medium;"><span style="font-size: large;">public static String readPdf(String path) throws Exception {  
  2. StringBuffer content = new StringBuffer("");  
  3. FileInputStream fis = new FileInputStream(path);  
  4. PDFParser p = new PDFParser(fis);  
  5. p.parse();  
  6. PDFTextStripper ts = new PDFTextStripper();  
  7. content.append(ts.getText(p.getPDDocument()));  
  8. fis.close();  
  9. return content.toString().trim();  
  10. }</span></span>  

 

  





   第五、HTML的文档，要说明的是，HTML文档我们要获取其TITLE，BODY中的内容就要先获取源文件，然后再对源文件进行标签上的过滤，很麻烦

 

Html代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: large;">public static String readHtml(String urlString) {  
  2. StringBuffer content = new StringBuffer("");  
  3. File file = new File(urlString);  
  4. FileInputStream fis = null;  
  5. try {  
  6. fis = new FileInputStream(file);  
  7. BufferedReader reader = new BufferedReader(new InputStreamReader(  
  8. fis, "utf-8"));  
  9. String line = null;  
  10. while ((line = reader.readLine()) != null) {  
  11. content.append(line + "\n");  
  12. }  
  13. reader.close();  
  14. } catch (Exception e) {  
  15. e.printStackTrace();  
  16. }  
  17. String contentcontentString = content.toString();  
  18. String htmlStr = contentString; // 含html标签的字符串  
  19. String textStr = "";  
  20. java.util.regex.Pattern p_script;  
  21. java.util.regex.Matcher m_script;  
  22. java.util.regex.Pattern p_style;  
  23. java.util.regex.Matcher m_style;  
  24. java.util.regex.Pattern p_html;  
  25. java.util.regex.Matcher m_html;  
  26. try {  
  27. String regEx_script = "<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\  
  28. String regEx_style = "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*  
  29. String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式  
  30. p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);  
  31. m_script = p_script.matcher(htmlStr);  
  32. htmlStr = m_script.replaceAll(""); // 过滤script标签  
  33. p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);  
  34. m_style = p_style.matcher(htmlStr);  
  35. htmlStr = m_style.replaceAll(""); // 过滤style标签  
  36. p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);  
  37. m_html = p_html.matcher(htmlStr);  
  38. htmlStr = m_html.replaceAll(""); // 过滤html标签  
  39. textStr = htmlStr;  
  40. } catch (Exception e) {  
  41. System.err.println("Html2Text: " + e.getMessage());  
  42. }  
  43. return textStr;// 返回文本字符串  
  44. }</span>  
 


 

 第六、TXT的文档，给TXT文本建立索引时要注意
   本项目实现了组合查询的功能
  //这一步如果不设置为GBK，TXT内容将全部乱码 BufferedReader reader=new BufferedReader(new InputStreamReader(is,"GBK")); 具体代码如下 

 

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: medium;"><span style="font-size: large;">public static String readTxt(String path) throws IOException {  
  2. StringBuffer sb = new StringBuffer("");  
  3. InputStream is = new FileInputStream(path);  
  4. // 必须设置成GBK，否则将出现乱码  
  5. BufferedReader reader = new BufferedReader(new InputStreamReader(is,  
  6. "GBK"));  
  7. try {  
  8. String line = "";  
  9. while ((line = reader.readLine()) != null) {  
  10. sb.append(line + "\r");  
  11. }  
  12. } catch (FileNotFoundException e) {  
  13. e.printStackTrace();  
  14. }  
  15. return sb.toString().trim();  
  16. }</span></span>  

 

  





 

第七、RTF文档，rtf的转换则在javax中就有


 

Java代码  开发中相关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作
  1. <span style="font-size: medium;"><span style="font-size: large;">public static String readRtf(String path) {  
  2. String result = null;  
  3. File file = new File(path);  
  4. try {  
  5. DefaultStyledDocument styledDoc = new DefaultStyledDocument();  
  6. InputStream is = new FileInputStream(file);  
  7. new RTFEditorKit().read(is, styledDoc, 0);  
  8. result = new String(styledDoc.getText(0, styledDoc.getLength())  
  9. .getBytes("iso8859-1"), "gbk");  
  10. // 提取文本，读取中文需要使用gbk编码，否则会出现乱码  
  11. } catch (IOException e) {  
  12. e.printStackTrace();  
  13. } catch (BadLocationException e) {  
  14. e.printStackTrace();  
  15. }  
  16. return result;  
  17. }</span></span>  

 

 

相关推荐