POI抽取Microsoft Office三件套文件中的数据

最近使用POI 抽取office三件套里面的数据。主要就是word、ppt、excel中的内容。

 

一、数据准备：

（一）、版本：

POI版本：4.1.2

office：97-2010

（二）、使用组件：

主要使用了POI自带的extractor。根据office版本不同，使用的组件也不同：

使用的具体extractor：

1、基于OOXML（office2007以后）

XSSFExcelExtractor

SlideShowExtractor（代替了XSLFPowerPointExtractor，4.0.0版本后作废）

XWPFWordExtractor

2、基于OLE2（office2007以前）

ExcelExtractor

WordExtractor

Word6Extractor（对于更老的 (Word 6 / Word 95)支持）

SlideShowExtractor（代替了PowerPointExtractor,4.0.0版本后作废）

二、对于性能

POI由于内容占用的问题，不推荐使用流加载方式（FileInputStream），或者可以使用alibaba的easyexcel（这里不扯了）

默认使用:

XML:OPCPackage

OLE2:POIFSFileSystem（4.0.0版本后不区分POIFSFileSystem和NPOIFSFileSystem了）打开。

三、事例用法：

public void testExcelExtractor() throws IOException {
		File doc = new File(excel_file);
		POIFSFileSystem fs = new POIFSFileSystem(doc);
		ExcelExtractor ex=new ExcelExtractor(fs);
		System.out.println(ex.getText());
		ex.close();
		fs.close();
	}

	public void testExcel2007Extractor() throws IOException, XmlException, OpenXML4JException {
		File doc = new File(xlsx_file);
		OPCPackage pkg = OPCPackage.open(doc);
		XSSFExcelExtractor ex = new XSSFExcelExtractor(pkg);
		System.out.println(ex.getText());
		ex.close();
		// pkg.close();
	}

	public void testWordExtractor() throws IOException {
		File doc = new File(word_file);
		POIFSFileSystem fs = new POIFSFileSystem(doc);
		WordExtractor ex = new WordExtractor(fs);
		System.out.println(ex.getText());
		ex.close();
		fs.close();
	}

	public void testWord2007Extractor() throws IOException, XmlException, OpenXML4JException {
		File doc = new File(docx_file);
		OPCPackage pkg = OPCPackage.open(doc);
		XWPFWordExtractor ex = new XWPFWordExtractor(pkg);
		System.out.println(ex.getText());
		ex.close();
		// pkg.close();
	}

	public void testPPTExtractor() throws IOException {
		File doc = new File(ppt_file);
		POIFSFileSystem fs = new POIFSFileSystem(doc);

		PowerPointExtractor ex = new PowerPointExtractor(fs);
		System.out.println(ex.getText());
		ex.close();
		fs.close();
	}

	public void testPPT2007Extractor() throws IOException, XmlException, OpenXML4JException {
		File doc = new File(pptx_file);
		OPCPackage pkg = OPCPackage.open(doc);
		XSLFPowerPointExtractor ex = new XSLFPowerPointExtractor(pkg);
		System.out.println(ex.getText());
		// ex.close();
		pkg.close();
	}

	public void testPPTOtherExtractor() throws IOException, XmlException, OpenXML4JException {
		File doc = new File(ppt_file);
		POIFSFileSystem fs = new POIFSFileSystem(doc);
		SlideShow<HSLFShape, HSLFTextParagraph> sss = new HSLFSlideShow(fs);
		SlideShowExtractor<HSLFShape, HSLFTextParagraph> ex = new SlideShowExtractor<HSLFShape, HSLFTextParagraph>(sss);
		System.out.println(ex.getText());
		ex.close();
		fs.close();
	}

	public void testPPT2007OtherExtractor() throws IOException, XmlException, OpenXML4JException {
		File doc = new File(pptx_file);
		OPCPackage pkg = OPCPackage.open(doc);
		SlideShow<XSLFShape, XSLFTextParagraph> sss = new XMLSlideShow(pkg);
		SlideShowExtractor<XSLFShape, XSLFTextParagraph> ex = new SlideShowExtractor<XSLFShape, XSLFTextParagraph>(sss);
		System.out.println(ex.getText());
		ex.close();
//		pkg.close();
	}

其中，ppt比较特殊，原来的方法全部作废，而统一使用SlideShowExtractor。

例子里也写了原始的方法，不过都Deprecated了