POI 读取word (word 2003 和 word 2007)

 

最近在给客户做系统的时候,用户提出需求,要能够导入 word 文件,现在 microsoft word 有好几个版本 97、2003、2007的,这三个版本存储数据的格式上都有相当大的差别,而现在 97 基本上已经退出市场,几乎没有人用这个版本了, 所以在我们的系统中只考虑 2003 版本和 2007 版本的,因为我们只要求能够读取 word 中的文字内容即可,其中的文字样式、图片等信息可以忽略,也不用直接操作 word 文件, 所以我们选择 用 apache 的 POI 进行读取。

 

    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)。

 

    编写代码之前我们得先下载所需要的 jar 包​

官网的下载链接更新了:

http://archive.apache.org/dist/poi/release/bin/poi-bin-3.5-FINAL-20090928.tar.gz

http://sourceforge.net/projects/openxml4j/files/OpenXML4J%20Library/Beta/

    下方是读取 word 文件的 Java 代码,值得注意的是: POI 在读取 word 文件的时候不会读取 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。



1 import java.io.File;  
2 import java.io.FileInputStream;
3 import java.io.InputStream;
4
5 import org.apache.poi.POIXMLDocument;
6 import org.apache.poi.POIXMLTextExtractor;
7 import org.apache.poi.hwpf.extractor.WordExtractor;
8 import org.apache.poi.openxml4j.opc.OPCPackage;
9 import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
10
11 /**
12 * POI 读取 word 2003 和 word 2007 中文字内容的测试类<br />
13 * @createDate 2009-07-25
14 * @author Carl He
15 */
16 public class Test {
17 public static void main(String[] args) {
18 try {
19 //word 2003: 图片不会被读取
20 InputStream is = new FileInputStream(new File("c://files//2003.doc"));
21 WordExtractor ex = new WordExtractor(is);
22 String text2003 = ex.getText();
23 System.out.println(text2003);
24
25 //word 2007 图片不会被读取, 表格中的数据会被放在字符串的最后
26 OPCPackage opcPackage = POIXMLDocument.openPackage("c://files//2007.docx");
27 POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
28 String text2007 = extractor.getText();
29 System.out.println(text2007);
30
31 } catch (Exception e) {
32 e.printStackTrace();
33 }
34 }
35 }