Java中使用Apache POI读取word文件简单示例
ApachePOI是Apache软件基金会的开放源码函式库,POI提供API给Java程序对MicrosoftOffice格式档案读和写的功能。
1.读取word2003及word2007需要的jar包
读取2003版本(.doc)的word文件相对来说比较简单,只需要poi-3.5-beta6-20090622.jar和poi-scratchpad-3.5-beta6-20090622.jar两个jar包即可,而2007版本(.docx)就麻烦多,我说的这个麻烦不是我们写代码的时候麻烦,是要导入的jar包比较的多,有如下7个之多:
1.openxml4j-bin-beta.jar
2.poi-3.5-beta6-20090622.jar
3.poi-ooxml-3.5-beta6-20090622.jar
4.dom4j-1.6.1.jar
5.geronimo-stax-api_1.0_spec-1.0.jar
6.ooxml-schemas-1.0.jar
7.xmlbeans-2.3.0.jar
其中4-7是poi-ooxml-3.5-beta6-20090622.jar所依赖的jar包(在poi-bin-3.5-beta6-20090622.tar.gz中的ooxml-lib目录下可以找到)。
2.换行符号
硬换行:文件中换行,如果是键盘中使用了"enter"的换行。
软换行:文件中一行的字符数容量有限,当字符数量超过一定值时,会自动切到下行显示。
对程序来说,硬换行才是可以识别的、确定的换行,软换行与字体大小、缩进有关。
3.读取的注意事项
值得注意的是:POI在读取不会读取word文件中的图片信息;还有就是对于2007版的word(.docx),如果word文件中有表格,所有表格中的数据都会在读取出来的字符串的最后。
4.读取word文本内容代码
importjava.io.File; importjava.io.FileInputStream; importjava.io.InputStream; importorg.apache.poi.POIXMLDocument; importorg.apache.poi.POIXMLTextExtractor; importorg.apache.poi.hwpf.extractor.WordExtractor; importorg.apache.poi.openxml4j.opc.OPCPackage; importorg.apache.poi.xwpf.extractor.XWPFWordExtractor; publicclassTest{ publicstaticvoidmain(String[]args){ try{ InputStreamis=newFileInputStream(newFile("2003.doc")); WordExtractorex=newWordExtractor(is); Stringtext2003=ex.getText(); System.out.println(text2003); OPCPackageopcPackage=POIXMLDocument.openPackage("2007.docx"); POIXMLTextExtractorextractor=newXWPFWordExtractor(opcPackage); Stringtext2007=extractor.getText(); System.out.println(text2007); }catch(Exceptione){ e.printStackTrace(); } } }