JAVA提取Word,Excel,PPT,PDF,TXT等文档文字内容

首先引入Maven库

[html]  view plain  copy

1. <dependency>  
2.     <groupId>org.apache.poi</groupId>  
3.     <artifactId>poi</artifactId>  
4.     <version>3.15</version>  
5. </dependency>  
6. <dependency>  
7.     <groupId>org.apache.poi</groupId>  
8.     <artifactId>poi-ooxml</artifactId>  
9.     <version>3.15</version>  
10. </dependency>  
11. <dependency>  
12.     <groupId>org.apache.poi</groupId>  
13.     <artifactId>poi-scratchpad</artifactId>  
14.     <version>3.15</version>  
15. </dependency>  
16. <dependency>  
17.     <groupId>org.apache.pdfbox</groupId>  
18.     <artifactId>pdfbox</artifactId>  
19.     <version>2.0.4</version>  
20. </dependency>  

[java]  view plain  copy

1.   

[java]  view plain  copy

1. <pre name="code" class="html">public class ParseText {  
2.   
3.     // 判断文档类型，调用不同的解析方法  
4.     public static String parse(byte[] buffer, String suffix) {  
5.         String text = "";  
6.         switch (suffix) {  
7.         case "doc":  
8.             text = getTextFromWord(buffer);  
9.             break;  
10.         case "docx":  
11.             text = getTextFromWord2007(buffer);  
12.             break;  
13.         case "xls":  
14.             text = getTextFromExcel(buffer);  
15.             break;  
16.         case "xlsx":  
17.             text = getTextFromExcel2007(buffer);  
18.             break;  
19.         case "ppt":  
20.             text = getTextFromPPT(buffer);  
21.             break;  
22.         case "pptx":  
23.             text = getTextFromPPT2007(buffer);  
24.             break;  
25.         case "pdf":  
26.             text = getTextFormPDF(buffer);  
27.             break;  
28.         case "txt":  
29.             text = getTextFormTxt(buffer);  
30.             break;  
31.         default:  
32.             System.out.println("不支持解析的文档类型");  
33.         }  
34.   
35.         return text.replaceAll("\\s*", "");  
36.     }  
37.   
38.     // 读取Word97-2003的全部内容 doc  
39.     private static String getTextFromWord(byte[] file) {  
40.         String text = "";  
41.         InputStream fis = null;  
42.         WordExtractor ex = null;  
43.         try {  
44.             // word 2003： 图片不会被读取  
45.             fis = new ByteArrayInputStream(file);  
46.             ex = new WordExtractor(fis);  
47.             text = ex.getText();  
48.             ex.close();  
49.         } catch (Exception e) {  
50.             // TODO Auto-generated catch block  
51.             e.printStackTrace();  
52.         }  
53.         return text;  
54.     }  
55.   
56.     // 读取Word2007+的全部内容 docx  
57.     private static String getTextFromWord2007(byte[] file) {  
58.         String text = "";  
59.         InputStream fis = null;  
60.         XWPFDocument doc = null;  
61.         XWPFWordExtractor workbook = null;  
62.         try {  
63.             fis = new ByteArrayInputStream(file);  
64.             doc = new XWPFDocument(fis);  
65.             workbook = new XWPFWordExtractor(doc);  
66.             text = workbook.getText();  
67.             workbook.close();  
68.         } catch (IOException e) {  
69.             // TODO Auto-generated catch block  
70.             e.printStackTrace();  
71.         }  
72.         return text;  
73.     }  
74.   
75.     // 读取Excel97-2003的全部内容 xls  
76.     private static String getTextFromExcel(byte[] file) {  
77.         InputStream is = null;  
78.         HSSFWorkbook wb = null;  
79.         String text = "";  
80.         try {  
81.             is = new ByteArrayInputStream(file);  
82.             wb = new HSSFWorkbook(new POIFSFileSystem(is));  
83.             ExcelExtractor extractor = new ExcelExtractor(wb);  
84.             extractor.setFormulasNotResults(false);  
85.             extractor.setIncludeSheetNames(false);  
86.             text = extractor.getText();  
87.             extractor.close();  
88.         } catch (IOException e) {  
89.             e.printStackTrace();  
90.         }  
91.         return text;  
92.     }  
93.   
94.     // 读取Excel2007+的全部内容 xlsx  
95.     private static String getTextFromExcel2007(byte[] file) {  
96.         InputStream is = null;  
97.         XSSFWorkbook workBook = null;  
98.         String text = "";  
99.         try {  
100.             is = new ByteArrayInputStream(file);  
101.             workBook = new XSSFWorkbook(is);  
102.             XSSFExcelExtractor extractor = new XSSFExcelExtractor(workBook);  
103.             extractor.setIncludeSheetNames(false);  
104.             text = extractor.getText();  
105.             extractor.close();  
106.         } catch (IOException e) {  
107.             e.printStackTrace();  
108.         }  
109.         return text;  
110.     }  
111.   
112.     // 读取Powerpoint97-2003的全部内容 ppt  
113.     private static String getTextFromPPT(byte[] file) {  
114.         String text = "";  
115.         InputStream fis = null;  
116.         PowerPointExtractor ex = null;  
117.         try {  
118.             // word 2003： 图片不会被读取  
119.             fis = new ByteArrayInputStream(file);  
120.             ex = new PowerPointExtractor(fis);  
121.             text = ex.getText();  
122.             ex.close();  
123.         } catch (Exception e) {  
124.             // TODO Auto-generated catch block  
125.             e.printStackTrace();  
126.         }  
127.         return text;  
128.     }  
129.   
130.     // 抽取幻灯片2007+全部内容 pptx  
131.     private static String getTextFromPPT2007(byte[] file) {  
132.         InputStream is = null;  
133.         XMLSlideShow slide = null;  
134.         String text = "";  
135.         try {  
136.             is = new ByteArrayInputStream(file);  
137.             slide = new XMLSlideShow(is);  
138.             XSLFPowerPointExtractor extractor = new XSLFPowerPointExtractor(slide);  
139.             text = extractor.getText();  
140.             extractor.close();  
141.         } catch (IOException e) {  
142.             e.printStackTrace();  
143.         }  
144.         return text;  
145.     }  
146.   
147.     // 读取pdf文件全部内容 pdf  
148.     private static String getTextFormPDF(byte[] file) {  
149.         String text = "";  
150.         PDDocument pdfdoc = null;  
151.         InputStream is = null;  
152.         try {  
153.             is = new ByteArrayInputStream(file);  
154.             pdfdoc = PDDocument.load(is);  
155.             PDFTextStripper stripper = new PDFTextStripper();  
156.             text = stripper.getText(pdfdoc);  
157.   
158.         } catch (IOException e) {  
159.             e.printStackTrace();  
160.         } finally {  
161.             try {  
162.                 if (pdfdoc != null) {  
163.                     pdfdoc.close();  
164.                 }  
165.             } catch (IOException e) {  
166.                 // TODO Auto-generated catch block  
167.                 e.printStackTrace();  
168.             }  
169.         }  
170.         return text;  
171.     }  
172.   
173.     // 读取txt文件全部内容 txt  
174.     private static String getTextFormTxt(byte[] file) {  
175.         String text = "";  
176.         try {  
177.             String encoding = get_charset(file);  
178.             text = new String(file, encoding);  
179.         } catch (UnsupportedEncodingException e) {  
180.             e.printStackTrace();  
181.         } catch (IOException e1) {  
182.             e1.printStackTrace();  
183.         }  
184.         return text;  
185.     }  
186.   
187.     // 获得txt文件编码方式  
188.     private static String get_charset(byte[] file) throws IOException {  
189.         String charset = "GBK";  
190.         byte[] first3Bytes = new byte[3];  
191.         InputStream bis = null;  
192.         try {  
193.             boolean checked = false;  
194.             bis = new ByteArrayInputStream(file);  
195.             bis.mark(0);  
196.             int read = bis.read(first3Bytes, 0, 3);  
197.             if (read == -1)  
198.                 return charset;  
199.             if (first3Bytes[0] == (byte) 0xFF && first3Bytes[1] == (byte) 0xFE) {  
200.                 charset = "UTF-16LE";  
201.                 checked = true;  
202.             } else if (first3Bytes[0] == (byte) 0xFE && first3Bytes[1] == (byte) 0xFF) {  
203.                 charset = "UTF-16BE";  
204.                 checked = true;  
205.             } else if (first3Bytes[0] == (byte) 0xEF && first3Bytes[1] == (byte) 0xBB  
206.                     && first3Bytes[2] == (byte) 0xBF) {  
207.                 charset = "UTF-8";  
208.                 checked = true;  
209.             }  
210.             bis.reset();  
211.             if (!checked) {  
212.                 while ((read = bis.read()) != -1) {  
213.                     if (read >= 0xF0)  
214.                         break;  
215.                     if (0x80 <= read && read <= 0xBF) // 单独出现BF以下的，也算是GBK  
216.                         break;  
217.                     if (0xC0 <= read && read <= 0xDF) {  
218.                         read = bis.read();  
219.                         if (0x80 <= read && read <= 0xBF) // 双字节 (0xC0 - 0xDF)  
220.                             // (0x80 - 0xBF),也可能在GB编码内  
221.                             continue;  
222.                         else  
223.                             break;  
224.                     } else if (0xE0 <= read && read <= 0xEF) {// 也有可能出错，但是几率较小  
225.                         read = bis.read();  
226.                         if (0x80 <= read && read <= 0xBF) {  
227.                             read = bis.read();  
228.                             if (0x80 <= read && read <= 0xBF) {  
229.                                 charset = "UTF-8";  
230.                                 break;  
231.                             } else  
232.                                 break;  
233.                         } else  
234.                             break;  
235.                     }  
236.                 }  
237.             }  
238.         } catch (Exception e) {  
239.             e.printStackTrace();  
240.         } finally {  
241.             if (bis != null) {  
242.                 bis.close();  
243.             }  
244.         }  
245.         return charset;  
246.     }  
247. }</pre><br>  
248. <br>  
249. <p></p>  
250. <pre></pre>  
251. <br>  
252. <p></p>  
253. <div style="top:628px"><pre name="code" class="java">   // 读取pdf文件  
254.     private static String getTextFormPDF(byte[] file) {  
255.         String text = "";  
256.         PDDocument pdfdoc = null;  
257.         InputStream is = null;  
258.         try {  
259.             is = new ByteArrayInputStream(file);  
260.             pdfdoc = PDDocument.load(is);  
261.             PDFTextStripper stripper = new PDFTextStripper();  
262.             text = stripper.getText(pdfdoc);  
263.   
264.         } catch (IOException e) {  
265.             e.printStackTrace();  
266.         } finally {  
267.             try {  
268.                 if (pdfdoc != null) {  
269.                     pdfdoc.close();  
270.                 }  
271.             } catch (IOException e) {  
272.                 // TODO Auto-generated catch block  
273.                 e.printStackTrace();  
274.             }  
275.         }  
276.         return text;  
277.     }  
278.   
279.     // 读取txt文件  
280.     private static String getTextFormTxt(byte[] file) {  
281.         String text = "";  
282.         try {  
283.             String encoding = get_charset(file);  
284.             text = new String(file, encoding);  
285.         } catch (UnsupportedEncodingException e) {  
286.             e.printStackTrace();  
287.         } catch (IOException e1) {  
288.             e1.printStackTrace();  
289.         }  
290.         return text;  
291.     }</pre></div>