POI解析word文档，支持DOC和DOCX版本

最新推荐文章于 2024-06-06 09:00:00 发布

weixin_33788244

最新推荐文章于 2024-06-06 09:00:00 发布

阅读量2.1k

点赞数 1

文章标签： java python

原文链接：https://my.oschina.net/zupengliu/blog/967762

版权

2019独角兽企业重金招聘Python工程师标准>>>

一、简介

Apache POI是一个开源的利用Java读写Excel、WORD等微软OLE2组件文档的项目。最新的3.5版本有很多改进，加入了对采用OOXML格式的Office 2007支持，如xlsx、docx、pptx文档。

二、POI组成部分概览

以下是POI的几个重要组成部分，以及各组件的功能概述。
POIFS是该项目的最古老，最稳定的一部分。.这是格式化OLE 2复合文档为纯Java的接口。它同时支持读写功能。
所有的组件，最终都依赖于它的定义
HSSF 和 XSSF
HSSF: MS－Excel 97-2003（.xls），基于BIFF8格式的JAVA接口。
XSSF：MS－Excel 2007+(.xlsx),基于OOXML格式的JAVA接口。
HWPF 和XWPF
HWPF: MS－Word 97-2003(.doc)，基于BIFF8格式的JAVA接口。只支持.doc文件简单的操作，读写能力有限。本API为POI项目早期开发，很不幸的是主要负责HWPF模块开发的工程师-“Ryan Ackley”已经离开Apache组织，现在该模块没有人维护、更新、完善。
XWPF：MS－Word 2007+(.docx),基于OOXML格式的JAVA接口。较HWPF功能完善。

三、所需JAR包 这里我使用3.9.x版本

poi-3.9-20121203.jar
poi-excelant-3.9-20121203.jar
poi-ooxml-3.9-20121203.jar
poi-ooxml-schemas-3.9-20121203.jar
poi-scratchpad-3.9-20121203.jar

四、代码 解析doc格式的文档

InputStream is = new FileInputStream(new File("E:\\TempDirectory\\knowledge_import.doc"));
WordExtractor wordExtractor = new WordExtractor(is);

System.out.println("【 使用getText()方法提取的Word文件的内容如下所示：】");
String text = wordExtractor.getText();
System.out.println(text);

解析docx格式的文档

XWPFWordExtractor docx = new XWPFWordExtractor(POIXMLDocument.openPackage("E:\\TempDirectory\\knowledge_import.docx"));
//提取.docx正文文本
String text = docx.getText();
System.out.println("解析DOCX格式的word文档！"+text);

转载于:https://my.oschina.net/zupengliu/blog/967762