POI pdf ppt word excel

原地址：http://topinking.iteye.com/blog/225178

关键字: word, excel, powerpoint, pdf, pdfbox

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。水平有限，万望各位指正

 

WORD:

Java代码  

1. import org.apache.lucene.document.Document;  
2. import org.apache.lucene.document.Field;  
3. import org.apache.poi.hwpf.extractor.WordExtractor;  
4.   
5. import java.io.File;  
6. import java.io.InputStream;  
7. import java.io.FileInputStream;  
8.   
9. import com.search.code.Index;  
10.   
11. public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException {  
12.   
13.   String bodyText = null;  
14.   try {  
15.    WordExtractor ex = new WordExtractor(is);//is是WORD文件的InputStream   
16.    bodyText = ex.getText();  
17.    if(!bodyText.equals("")){  
18.     index.AddIndex(url, title, bodyText);  
19.    }  
20.   }catch (DocCenterException e) {  
21.    throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);  
22.   }catch(Exception e){  
23.    e.printStackTrace();  
24.   }  
25. }  
26.   return null;  
27.  }  

  

Excel:

Java代码  

1. import org.apache.lucene.document.Document;  
2. import org.apache.lucene.document.Field;  
3.   
4. import org.apache.poi.hwpf.extractor.WordExtractor;  
5. import  org.apache.poi.hssf.usermodel.HSSFWorkbook;   
6. import  org.apache.poi.hssf.usermodel.HSSFSheet;   
7. import  org.apache.poi.hssf.usermodel.HSSFRow;   
8. import  org.apache.poi.hssf.usermodel.HSSFCell;   
9.   
10. import java.io.File;  
11. import java.io.InputStream;  
12. import java.io.FileInputStream;  
13.   
14. import com.search.code.Index;  
15.   
16.    
17.   
18. public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException {  
19.   StringBuffer content = new StringBuffer();  
20.   try{  
21.    HSSFWorkbook  workbook  =  new  HSSFWorkbook(is);//创建对Excel工作簿文件的引用   
22.    for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {  
23.     if (null != workbook.getSheetAt(numSheets)) {  
24.      HSSFSheet aSheet = workbook.getSheetAt(numSheets);//获得一个sheet  
25.         for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) {  
26.          if (null != aSheet.getRow(rowNumOfSheet)) {  
27.           HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一个行  
28.           for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {  
29.            if (null != aRow.getCell(cellNumOfRow)) {  
30.             HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值  
31.             content.append(aCell.getStringCellValue());  
32.            }  
33.           }  
34.          }  
35.         }  
36.     }  
37.    }  
38.    if(!content.equals("")){  
39.     index.AddIndex(url, title, content.toString());  
40.    }  
41.   }catch (DocCenterException e) {  
42.   
43.    throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);  
44.   }catch(Exception  e)  {   
45.    System.out.println("已运行xlRead()  :  "  +  e  );   
46.   }  
47.   return null;  
48.  }  

 

 

PowerPoint:

Java代码  

1. import java.io.InputStream;  
2.   
3. import org.apache.lucene.document.Document;  
4. import org.apache.poi.hslf.HSLFSlideShow;  
5. import org.apache.poi.hslf.model.TextRun;  
6. import org.apache.poi.hslf.model.Slide;  
7. import org.apache.poi.hslf.usermodel.SlideShow;  
8.   
9.  public Document getDocument(Index index, String url, String title, InputStream is)  
10.  throws DocCenterException {  
11.   StringBuffer content = new StringBuffer("");  
12.   try{  
13.    SlideShow ss = new SlideShow(new HSLFSlideShow(is));//is 为文件的InputStream，建立SlideShow  
14.    Slide[] slides = ss.getSlides();//获得每一张幻灯片  
15.    for(int i=0;i     TextRun[] t = slides[i].getTextRuns();//为了取得幻灯片的文字内容，建立TextRun  
16.     for(int j=0;j      content.append(t[j].getText());//这里会将文字内容加到content中去  
17.     }  
18.     content.append(slides[i].getTitle());  
19.    }  
20.    index.AddIndex(url, title, content.toString());  
21.   }catch(Exception ex){  
22.    System.out.println(ex.toString());  
23.   }  
24.   return null;  
25.  }  
26.   
27.    

 PDF:

Java代码  

1. import java.io.InputStream;  
2. import java.io.IOException;  
3. import org.apache.lucene.document.Document;  
4.   
5. import org.pdfbox.cos.COSDocument;  
6. import org.pdfbox.pdfparser.PDFParser;  
7. import org.pdfbox.pdmodel.PDDocument;  
8. import org.pdfbox.pdmodel.PDDocumentInformation;  
9. import org.pdfbox.util.PDFTextStripper;  
10.   
11. import com.search.code.Index;  
12.   
13.    
14.   
15.  public Document getDocument(Index index, String url, String title, InputStream is)throws DocCenterException {  
16.     
17.   COSDocument cosDoc = null;  
18.   try {  
19.    cosDoc = parseDocument(is);  
20.   } catch (IOException e) {  
21.    closeCOSDocument(cosDoc);  
22.    throw new DocCenterException("无法处理该PDF文档", e);  
23.   }  
24.   if (cosDoc.isEncrypted()) {  
25.    if (cosDoc != null)  
26.     closeCOSDocument(cosDoc);  
27.    throw new DocCenterException("该PDF文档是加密文档，无法处理");  
28.   }  
29.   String docText = null;  
30.   try {  
31.    PDFTextStripper stripper = new PDFTextStripper();  
32.    docText = stripper.getText(new PDDocument(cosDoc));  
33.   } catch (IOException e) {  
34.    closeCOSDocument(cosDoc);  
35.    throw new DocCenterException("无法处理该PDF文档", e);  
36.   }  
37.   
38.   PDDocument pdDoc = null;  
39.   try {  
40.    pdDoc = new PDDocument(cosDoc);  
41.    PDDocumentInformation docInfo = pdDoc.getDocumentInformation();  
42.    if(docInfo.getTitle()!=null && !docInfo.getTitle().equals("")){  
43.     title = docInfo.getTitle();  
44.    }  
45.   
46.   } catch (Exception e) {  
47.    closeCOSDocument(cosDoc);  
48.    closePDDocument(pdDoc);  
49.    System.err.println("无法取得该PDF文档的元数据" + e.getMessage());  
50.   } finally {  
51.    closeCOSDocument(cosDoc);  
52.    closePDDocument(pdDoc);  
53.   }  
54.     
55.   return null;  
56.  }  
57.   
58.  private static COSDocument parseDocument(InputStream is) throws IOException {  
59.   PDFParser parser = new PDFParser(is);  
60.   parser.parse();  
61.   return parser.getDocument();  
62.  }  
63.   
64.  private void closeCOSDocument(COSDocument cosDoc) {  
65.   if (cosDoc != null) {  
66.    try {  
67.     cosDoc.close();  
68.    } catch (IOException e) {  
69.    }  
70.   }  
71.  }  
72.   
73.  private void closePDDocument(PDDocument pdDoc) {  
74.   if (pdDoc != null) {  
75.    try {  
76.     pdDoc.close();  
77.    } catch (IOException e) {  
78.    }  
79.   }  
80.  }  

 代码复制可能出错，不过代码经过测试，绝对能用，POI为3.0-rc4，PDFBOX为0.7.3