使用Apache POI抽取OFFICE文本（DOC, DOCX, XLS, XLSX, PPT, PPTX）——Desktop Search开发笔记【经验积累】

为了对文件内容进行索引，必须先抽取出文件中文本。我们使用Apache POI提供的API来抽取office文件（DOC, DOCX, XLS, XLSX, PPT, PPTX）中的文本。很多人在使用开源API的时候都很纳闷，Javadocs那么大，我要的API在到底在哪个类里边。即使找到了也不明白这么多构造函数该用哪个创建想要的对象。本文给大家讲一下POI中我们该如何创建抽取（DOC, DOCX, XLS, XLSX, PPT, PPTX）的对象。

• 下载Apache POI（http://poi.apache.org/download.html#POI-3.10-beta2）
• 把下面5个jar包和两个lib文件夹中的jar导入项目classpath

poi-3.10-beta1-20130628.jar
poi-excelant-3.10-beta1-20130628.jar
poi-ooxml-3.10-beta1-20130628.jar
poi-ooxml-schemas-3.10-beta1-20130628.jar
poi-scratchpad-3.10-beta1-20130628.jar
/lib
/ooxml-lib

DOC

org.apache.poi.hwpf.extractor.WordExtractor

     这个类只能处理word 2003文档(.doc)
     (1) 使用ExtractorFactory.createExtractor(InputStream) 创建抽取对象，返回的是公共接口对象，因此强制转换
               InputStream fis = new FileInputStream(filePath);
               WorderExtractor extractor = (WordExtrac