Java使用poi读取word文档

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 MyWordExtractor {


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 MyWordExtractor {


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("< 第 "+(i+1)+" 段的内容为 >");
     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。 

可参考网址：http://blog.csdn.net/zyczy1314/article/details/50594967

http://www.cnblogs.com/xudong-bupt/p/3746796.html

http://blog.csdn.net/zyczy1314/article/details/50594967

http://blog.csdn.net/runming56/article/details/40857197