JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法

精选转载

baser 2012-11-27 16:00:50 博主文章分类：java

OFFICE文档使用POI控件，PDF可以使用PDFBOX0.7.3控件，完全支持中文，用XPDF也行，不过感觉PDFBOX比较好，而且作者也在更新。水平有限，万望各位指正

WORD:

import org.apache.lucene.document.Document;  
import org.apache.lucene.document.Field;  
import org.apache.poi.hwpf.extractor.WordExtractor;  
 
import java.io.File;  
import java.io.InputStream;  
import java.io.FileInputStream;  
 
import com.search.code.Index;  
 
public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException ...{  
 
  String bodyText = null;  
  try ...{  
   WordExtractor ex = new WordExtractor(is);//is是WORD文件的InputStream  
   bodyText = ex.getText();  
   if(!bodyText.equals(""))...{  
    index.AddIndex(url, title, bodyText);  
   }  
  }catch (DocCenterException e) ...{  
   throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);  
  }catch(Exception e)...{  
   e.printStackTrace();  
  }  
}  
  return null;  
}

Excel:

import org.apache.lucene.document.Document;  
import org.apache.lucene.document.Field;  
 
import org.apache.poi.hwpf.extractor.WordExtractor;  
import  org.apache.poi.hssf.usermodel.HSSFWorkbook;  
import  org.apache.poi.hssf.usermodel.HSSFSheet;  
import  org.apache.poi.hssf.usermodel.HSSFRow;  
import  org.apache.poi.hssf.usermodel.HSSFCell;  
 
import java.io.File;  
import java.io.InputStream;  
import java.io.FileInputStream;  
 
import com.search.code.Index;  
 
 
 
public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException ...{  
  StringBuffer content = new StringBuffer();  
  try...{  
   HSSFWorkbook  workbook  =  new  HSSFWorkbook(is);//创建对Excel工作簿文件的引用  
   for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) ...{  
    if (null != workbook.getSheetAt(numSheets)) ...{  
     HSSFSheet aSheet = workbook.getSheetAt(numSheets);//获得一个sheet  
        for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) ...{  
         if (null != aSheet.getRow(rowNumOfSheet)) ...{  
          HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一个行  
          for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) ...{  
           if (null != aRow.getCell(cellNumOfRow)) ...{  
            HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值  
            content.append(aCell.getStringCellValue());  
           }  
          }  
         }  
        }  
    }  
   }  
   if(!content.equals(""))...{  
    index.AddIndex(url, title, content.toString());  
   }  
  }catch (DocCenterException e) ...{  
 
   throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);  
  }catch(Exception  e)  ...{  
   System.out.println("已运行xlRead()  :  "  +  e  );  
  }  
  return null;  
}

PowerPoint:

import java.io.InputStream;  
 
import org.apache.lucene.document.Document;  
import org.apache.poi.hslf.HSLFSlideShow;  
import org.apache.poi.hslf.model.TextRun;  
import org.apache.poi.hslf.model.Slide;  
import org.apache.poi.hslf.usermodel.SlideShow;  
 
public Document getDocument(Index index, String url, String title, InputStream is)  
throws DocCenterException ...{  
  StringBuffer content = new StringBuffer("");  
  try...{  
   SlideShow ss = new SlideShow(new HSLFSlideShow(is));//is 为文件的InputStream，建立SlideShow  
   Slide[] slides = ss.getSlides();//获得每一张幻灯片  
   for(int i=0;i<slides.length;i++)...{  
    TextRun[] t = slides[i].getTextRuns();//为了取得幻灯片的文字内容，建立TextRun  
    for(int j=0;j<t.length;j++)...{  
     content.append(t[j].getText());//这里会将文字内容加到content中去  
    }  
    content.append(slides[i].getTitle());  
   }  
   index.AddIndex(url, title, content.toString());  
  }catch(Exception ex)...{  
   System.out.println(ex.toString());  
  }  
  return null;  
}

PDF:

import java.io.InputStream;  
import java.io.IOException;  
import org.apache.lucene.document.Document;  
 
import org.pdfbox.cos.COSDocument;  
import org.pdfbox.pdfparser.PDFParser;  
import org.pdfbox.pdmodel.PDDocument;  
import org.pdfbox.pdmodel.PDDocumentInformation;  
import org.pdfbox.util.PDFTextStripper;  
 
import com.search.code.Index;  
 
 
 
public Document getDocument(Index index, String url, String title, InputStream is)throws DocCenterException ...{  
    
  COSDocument cosDoc = null;  
  try ...{  
   cosDoc = parseDocument(is);  
  } catch (IOException e) ...{  
   closeCOSDocument(cosDoc);  
   throw new DocCenterException("无法处理该PDF文档", e);  
  }  
  if (cosDoc.isEncrypted()) ...{  
   if (cosDoc != null)  
    closeCOSDocument(cosDoc);  
   throw new DocCenterException("该PDF文档是加密文档，无法处理");  
  }  
  String docText = null;  
  try ...{  
   PDFTextStripper stripper = new PDFTextStripper();  
   docText = stripper.getText(new PDDocument(cosDoc));  
  } catch (IOException e) ...{  
   closeCOSDocument(cosDoc);  
   throw new DocCenterException("无法处理该PDF文档", e);  
  }  
 
  PDDocument pdDoc = null;  
  try ...{  
   pdDoc = new PDDocument(cosDoc);  
   PDDocumentInformation docInfo = pdDoc.getDocumentInformation();  
   if(docInfo.getTitle()!=null && !docInfo.getTitle().equals(""))...{  
    title = docInfo.getTitle();  
   }  
 
  } catch (Exception e) ...{  
   closeCOSDocument(cosDoc);  
   closePDDocument(pdDoc);  
   System.err.println("无法取得该PDF文档的元数据" + e.getMessage());  
  } finally ...{  
   closeCOSDocument(cosDoc);  
   closePDDocument(pdDoc);  
  }  
    
  return null;  
}  
 
private static COSDocument parseDocument(InputStream is) throws IOException ...{  
  PDFParser parser = new PDFParser(is);  
  parser.parse();  
  return parser.getDocument();  
}  
 
private void closeCOSDocument(COSDocument cosDoc) ...{  
  if (cosDoc != null) ...{  
   try ...{  
    cosDoc.close();  
   } catch (IOException e) ...{  
   }  
  }  
}  
 
private void closePDDocument(PDDocument pdDoc) ...{  
  if (pdDoc != null) ...{  
   try ...{  
    pdDoc.close();  
   } catch (IOException e) ...{  
   }  
  }  
}