通常我们在工作中会遇到很多不同类型的文件需要处理的时候,本文对我最近能遇到的一些文件格式做一个简单的整理
TXT
RTF
- DOC、DOCX
**
TXT
**
通常,我们可以直接通过文件流来读取txt文件的内容,但有时可能会出现乱码!此时只要设置一下文件字符编码即可
File file = new File("C:\\Test.txt");
StringBuilder result = new StringBuilder();
try{
//构造一个BufferedReader类来读取文件
BufferedReader br = new BufferedReader(new FileReader(file));
String s = null;
//使用readLine方法,一次读一行
while((s = br.readLine())!=null){
result.append(System.lineSeparator()+s);
}
br.close();
}catch(Exception e){
e.printStackTrace();
}
return result.toString();
**
RTF
**
小弟才疏学浅,第一次见到这种类型的文件
RTF,全称是“富文本格式“,它便于在应用程序之间轻松的转换文本和图形。想了解RTF文件基本格式及相关可以点击这里。
File file = new File(filePath);
try {
DefaultStyledDocument styledDoc = new DefaultStyledDocument();
InputStream is = new FileInputStream(file);
new RTFEditorKit().read(is, styledDoc, 0);
result = new String(styledDoc.getText(0, styledDoc.getLength()).getBytes("ISO8859_1"), "GBK");
//提取文本,读取中文需要使用ISO8859_1编码,否则会出现乱码
} catch (IOException e) {
e.printStackTrace();
} catch (BadLocationException e) {
e.printStackTrace();
}
**
doc
**
doc是03版word文件的后缀
docx是07版word文件的后缀
import java.io.File;
import java.io.IOException;
import org.apache.tika.Tika;
import org.apache.tika.config.TikaConfig;
import org.apache.tika.exception.TikaException;
import ucar.units.Test;
public class Test5 {
/**
* 提取doc、docx文档
*
* @param writ
* @return
* @throws TikaException
* @throws IOException
*/
public static String extractTextFromFile(File writ) throws TikaException, IOException {
TikaConfig tikaConfig = TikaConfig.getDefaultConfig();
Tika tika = new Tika(tikaConfig);
String result = tika.parseToString(writ);
return result;
}
public static void main(String[] args) throws Exception, IOException {
File file = new File("D://测试03.doc");
String result = new Test5().extractTextFromFile(file);
}
}
本人小菜一个,如有大神路过,望不吝赐教0.0