POI是Apache的
一个开源项目，可以到Apache网站下载相应的jar包
文件，及其源
文件。
POI提供了提取
一些非TXT文本中文本
内容的API，比如提取
Word，
Excel等，使用起来非常方便。
为了说明POI提起
Word文件的方便
和简单，通过提取
一个
Word文件的文本来，来了解POI API的功能。
假设在本地磁盘中存在
一个
Word文件
E:\POI\
word\JBoss3.0 下配置
和部署EJB简介.doc
文件是具有格式的，
内容如图所示：
下面看看提取它的
内容是多么简单。
首先从Apache网站上下载POI的相关jar包。
新建
一个测试类：
package org.shirdrn.
word;
import
java.io.File;
import
java.io.FileInputStream;
import
java.io.FileNotFoundException;
import
java.io.IOException;
import org.apache.poi.hwpf.extractor.
WordExtractor;
public class My
WordExtractor {
public static void main
(String[] args
) {
File file = new File
("E:\\POI\\
word\\JBoss3.0 下配置
和部署EJB简介.doc"
);
try {
FileInputStream fis = new FileInputStream
(file
);
WordExtractor
wordExtractor = new
WordExtractor
(fis
);
System.out.println
("【 使用getText
()方法提取的
Word文件的
内容如下所示：】"
);
System.out.println
(wordExtractor.getText
());
} catch
(FileNotFoundException e
) {
e.printStackTrace
();
} catch
(IOException e
) {
e.printStackTrace
();
}
}
}
提取
Word文件的文本
内容，打印到控制台上，如下所示：
使用
WordExtractor类的getTextFromPieces
()方法提取：
wordExtractor.getTextFromPieces
();
结果
和上面是
一样的。
WordExtractor类还有
一个可以提取
Word文件的各个段落的方法getParagraphText
()，返回
一个String[]数组，数组中每个元素为
一个段的文本
内容。
这里，对
Word文件中换行也看成是
一个段，测试如下：
package org.shirdrn.
word;
import
java.io.File;
import
java.io.FileInputStream;
import
java.io.FileNotFoundException;
import
java.io.IOException;
import org.apache.poi.hwpf.extractor.
WordExtractor;
public class My
WordExtractor {
public static void main
(String[] args
) {
File file = new File
("E:\\POI\\
word\\JBoss3.0 下配置
和部署EJB简介.doc"
);
try {
FileInputStream fis = new FileInputStream
(file
);
WordExtractor
wordExtractor = new
WordExtractor
(fis
);
System.out.println
("【 使用getText
()方法提取的
Word文件的
内容如下所示：】"
);
String[] paragraph =
wordExtractor.getParagraphText
();
System.out.println
("该
Word文件共有"+paragraph.length+"段。"
);
for
(int i=0;i<paragraph.length;i++
){
System.out.println
(""
);
System.out.println
(paragraph[i]
);
}
} catch
(FileNotFoundException e
) {
e.printStackTrace
();
} catch
(IOException e
) {
e.printStackTrace
();
}
}
}
提取
Word文件的文本
内容，打印到控制台上，如下所示：
从上面的
Word文件可以看出，最后
一行是
Word文件的
一个换行符，使用
WordExtractor提取时，也把它默认成为
一个段，因为
一个段结束后应该有
一个回车换行符。
如果有多个
Word文件，而且放在不同的目录下，要提取它们的文本
内容，可以实现
一个递归的函数，通过深度遍历，为每
一个
Word文件进行提取。
如果需要，可以将提取到的
Word文件的文本
内容输出到本地磁盘中，比如以txt记事本的根式保存。
从上面可以看出，提取
Word文件的文本
内容，实际上是将
Word文件的格式去掉了，获取到文本的
内容。
这篇博客介绍了Java程序员如何使用POI读取Word文档，jxl处理Excel数据，以及PDFBox读取PDF文档内容。提供了相关jar包的下载链接，并给出了简单的应用实例。
最低0.47元/天 解锁文章
扫一扫
3712
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
