JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法

来源：互联网发布：网络数据编辑：程序博客网时间：2024/04/30 12:42
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。
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) { 
   } 
  } 
} 