使用POI读取word文档内容

来源：互联网发布：linux tail 最后100行编辑：程序博客网时间：2024/06/04 23:02

读word doc文件2中方式

1.1 通过WordExtractor读文件(在WordExtractor内部进行信息读取时还是通过HWPFDocument来获取的。)

1.2 通过HWPFDocument读文件

Apache poi的hwpf模块是专门用来对word doc文件进行读写操作的。在hwpf里面我们使用HWPFDocument来表示一个word doc文档。在HWPFDocument里面有这么几个概念：

l Range：它表示一个范围，这个范围可以是整个文档，也可以是里面的某一小节（Section），也可以是某一个段落（Paragraph），还可以是拥有共同属性的一段文本（CharacterRun）。

l Section：word文档的一个小节，一个word文档可以由多个小节构成。

l Paragraph：word文档的一个段落，一个小节可以由多个段落构成。

l CharacterRun：具有相同属性的一段文本，一个段落可以由多个CharacterRun组成。

l Table：一个表格。

l TableRow：表格对应的行。

l TableCell：表格对应的单元格。

Section、Paragraph、CharacterRun和Table都继承自Range。

1.1 通过WordExtractor读文件

在使用WordExtractor读文件时我们只能读到文件的文本内容和基于文档的一些属性，至于文档内容的属性等是无法读到的。如果要读到文档内容的属性则需要使用HWPFDocument来读取了。下面是使用WordExtractor读取文件的一个示例：

[java] view plain copy
public class HwpfTest {    
     
   @SuppressWarnings("deprecation")    
   @Test    
   public void testReadByExtractor() throws Exception {    
      InputStream is = new FileInputStream("D:\\test.doc");    
      WordExtractor extractor = new WordExtractor(is);    
      //输出word文档所有的文本    
      System.out.println(extractor.getText());    
      System.out.println(extractor.getTextFromPieces());    
      //输出页眉的内容    
      System.out.println("页眉：" + extractor.getHeaderText());    
      //输出页脚的内容    
      System.out.println("页脚：" + extractor.getFooterText());    
      //输出当前word文档的元数据信息，包括作者、文档的修改时间等。    
      System.out.println(extractor.getMetadataTextExtractor().getText());    
      //获取各个段落的文本    
      String paraTexts[] = extractor.getParagraphText();    
      for (int i=0; i<paraTexts.length; i++) {    
         System.out.println("Paragraph " + (i+1) + " : " + paraTexts[i]);    
      }    
      //输出当前word的一些信息    
      printInfo(extractor.getSummaryInformation());    
      //输出当前word的一些信息    
      this.printInfo(extractor.getDocSummaryInformation());    
      this.closeStream(is);    
   }    
      
   /**  
    * 输出SummaryInfomation  
    * @param info  
    */    
   private void printInfo(SummaryInformation info) {    
      //作者    
      System.out.println(info.getAuthor());    
      //字符统计    
      System.out.println(info.getCharCount());    
      //页数    
      System.out.println(info.getPageCount());    
      //标题    
      System.out.println(info.getTitle());    
      //主题    
      System.out.println(info.getSubject());    
   }    
      
   /**  
    * 输出DocumentSummaryInfomation  
    * @param info  
    */    
   private void printInfo(DocumentSummaryInformation info) {    
      //分类    
      System.out.println(info.getCategory());    
      //公司    
      System.out.println(info.getCompany());    
   }    
      
   /**  
    * 关闭输入流  
    * @param is  
    */    
   private void closeStream(InputStream is) {    
      if (is != null) {    
         try {    
            is.close();    
         } catch (IOException e) {    
            e.printStackTrace();    
         }    
      }    
   }    
      
}   

1.2 通过HWPFDocument读文件

HWPFDocument是当前Word文档的代表，它的功能比WordExtractor要强。通过它我们可以读取文档中的表格、列表等，还可以对文档的内容进行新增、修改和删除操作。只是在进行完这些新增、修改和删除后相关信息是保存在HWPFDocument中的，也就是说我们改变的是HWPFDocument，而不是磁盘上的文件。如果要使这些修改生效的话，我们可以调用HWPFDocument的write方法把修改后的HWPFDocument输出到指定的输出流中。这可以是原文件的输出流，也可以是新文件的输出流（相当于另存为）或其它输出流。下面是一个通过HWPFDocument读文件的示例：

[java] view plain copy
public class HwpfTest {    
      
   @Test    
   public void testReadByDoc() throws Exception {    
      InputStream is = new FileInputStream("D:\\test.doc");    
      HWPFDocument doc = new HWPFDocument(is);    
      //输出书签信息    
      this.printInfo(doc.getBookmarks());    
      //输出文本    
      System.out.println(doc.getDocumentText());    
      Range range = doc.getRange();    
      //this.insertInfo(range);    
      this.printInfo(range);    
      //读表格    
      this.readTable(range);    
      //读列表    
      this.readList(range);    
      //删除range    
      Range r = new Range(2, 5, doc);    
      r.delete();//在内存中进行删除，如果需要保存到文件中需要再把它写回文件    
      //把当前HWPFDocument写到输出流中    
      doc.write(new FileOutputStream("D:\\test.doc"));    
      this.closeStream(is);    
   }    
      
   /**  
    * 关闭输入流  
    * @param is  
    */    
   private void closeStream(InputStream is) {    
      if (is != null) {    
         try {    
            is.close();    
         } catch (IOException e) {    
            e.printStackTrace();    
         }    
      }    
   }    
      
   /**  
    * 输出书签信息  
    * @param bookmarks  
    */    
   private void printInfo(Bookmarks bookmarks) {    
      int count = bookmarks.getBookmarksCount();    
      System.out.println("书签数量：" + count);    
      Bookmark bookmark;    
      for (int i=0; i<count; i++) {    
         bookmark = bookmarks.getBookmark(i);    
         System.out.println("书签" + (i+1) + "的名称是：" + bookmark.getName());    
         System.out.println("开始位置：" + bookmark.getStart());    
         System.out.println("结束位置：" + bookmark.getEnd());    
      }    
   }    
      
   /**  
    * 读表格  
    * 每一个回车符代表一个段落，所以对于表格而言，每一个单元格至少包含一个段落，每行结束都是一个段落。  
    * @param range  
    */    
   private void readTable(Range range) {    
      //遍历range范围内的table。    
      TableIterator tableIter = new TableIterator(range);    
      Table table;    
      TableRow row;    
      TableCell cell;    
      while (tableIter.hasNext()) {    
         table = tableIter.next();    
         int rowNum = table.numRows();    
         for (int j=0; j<rowNum; j++) {    
            row = table.getRow(j);    
            int cellNum = row.numCells();    
            for (int k=0; k<cellNum; k++) {    
                cell = row.getCell(k);    
                //输出单元格的文本    
                System.out.println(cell.text().trim());    
            }    
         }    
      }    
   }    
      
   /**  
    * 读列表  
    * @param range  
    */    
   private void readList(Range range) {    
      int num = range.numParagraphs();    
      Paragraph para;    
      for (int i=0; i<num; i++) {    
         para = range.getParagraph(i);    
         if (para.isInList()) {    
            System.out.println("list: " + para.text());    
         }    
      }    
   }    
      
   /**  
    * 输出Range  
    * @param range  
    */    
   private void printInfo(Range range) {    
      //获取段落数    
      int paraNum = range.numParagraphs();    
      System.out.println(paraNum);    
      for (int i=0; i<paraNum; i++) {    
         //this.insertInfo(range.getParagraph(i));    
         System.out.println("段落" + (i+1) + "：" + range.getParagraph(i).text());    
         if (i == (paraNum-1)) {    
            this.insertInfo(range.getParagraph(i));    
         }    
      }    
      int secNum = range.numSections();    
      System.out.println(secNum);    
      Section section;    
      for (int i=0; i<secNum; i++) {    
         section = range.getSection(i);    
         System.out.println(section.getMarginLeft());    
         System.out.println(section.getMarginRight());    
         System.out.println(section.getMarginTop());    
         System.out.println(section.getMarginBottom());    
         System.out.println(section.getPageHeight());    
         System.out.println(section.text());    
      }    
   }    
      
   /**  
    * 插入内容到Range，这里只会写到内存中  
    * @param range  
    */    
   private void insertInfo(Range range) {    
      range.insertAfter("Hello");    
   }    
      
}   

阅读全文

0 0