JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法

　　OFFICE文档使用POI控件，PDF可以使用PDFBOX0.7.3控件，完全支持中文，用XPDF也行，不过感觉PDFBOX比较好，而且作者也在更新。水平有限，万望各位指正
　　[color=red]WORD:[/color]
　　import org.apache.lucene.document.Document;
　　import org.apache.lucene.document.Field;
　　import org.apache.poi.hwpf.extractor.WordExtractor;
　　import java.io.File;
　　import java.io.InputStream;
　　import java.io.FileInputStream;
　　import com.search.code.Index;
　　public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException {
　　 String bodyText = null;
　　try {
　　WordExtractor ex = new WordExtractor(is);//is是WORD文件的InputStream
　　bodyText = ex.getText();
　　if(!bodyText.equals("")){
　　index.AddIndex(url, title, bodyText);
　　}
　　}catch (DocCenterException e) {
　　throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);
　　}catch(Exception e){
　　e.printStackTrace();
　　}
　　}
　　return null;
　　}
　　[color=red]Excel:[/color]
　　import org.apache.lucene.document.Document;
　　import org.apache.lucene.document.Field;
　　import org.apache.poi.hwpf.extractor.WordExtractor;
　　import org.apache.poi.hssf.usermodel.HSSFWorkbook;
　　import org.apache.poi.hssf.usermodel.HSSFSheet;
　　import org.apache.poi.hssf.usermodel.HSSFRow;
　　import org.apache.poi.hssf.usermodel.HSSFCell;
　　import java.io.File;
　　import java.io.InputStream;
　　import java.io.FileInputStream;
　　import com.search.code.Index;
　　public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException {
　　StringBuffer content = new StringBuffer();
　　try{ HSSFWorkbook workbook = new HSSFWorkbook(is);//创建对Excel工作簿文件的引用

　　for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {
　　if (null != workbook.getSheetAt(numSheets)) {
　　HSSFSheet aSheet = workbook.getSheetAt(numSheets);//获得一个sheet
　　for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) {
　　if (null != aSheet.getRow(rowNumOfSheet)) {
　　HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一个行
　　for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {
　　if (null != aRow.getCell(cellNumOfRow)) {
　　HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值
　　content.append(aCell.getStringCellValue());
　　}
　　}
　　}
　　}
　　}
　　}
　　if(!content.equals("")){
　　index.AddIndex(url, title, content.toString());
　　}
　　}catch (DocCenterException e) {
　　 throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e);
　　}catch(Exception e) {
　　System.out.println("已运行xlRead() : " + e );
　　}
　　return null;
　　}
　　[color=red]PowerPoint:[/color]
　　import java.io.InputStream;
　　import org.apache.lucene.document.Document;
　　import org.apache.poi.hslf.HSLFSlideShow;
　　import org.apache.poi.hslf.model.TextRun;
　　import org.apache.poi.hslf.model.Slide;
　　import org.apache.poi.hslf.usermodel.SlideShow;
　　public Document getDocument(Index index, String url, String title, InputStream is)
　　throws DocCenterException {
　　StringBuffer content = new StringBuffer("");
　　try{ SlideShow ss = new SlideShow(new HSLFSlideShow(is));//is 为文件的InputStream，建立SlideShow

　　Slide[] slides = ss.getSlides();//获得每一张幻灯片
　　for(int i=0;i<slides.length;i++){
　　TextRun[] t = slides[i].getTextRuns();//为了取得幻灯片的文字内容，建立TextRun
　　for(int j=0;j<t.length;j++){
　　content.append(t[j].getText());//这里会将文字内容加到content中去
　　}
　　content.append(slides[i].getTitle());
　　}
　　index.AddIndex(url, title, content.toString());
　　}catch(Exception ex){
　　System.out.println(ex.toString());
　　}
　　return null;
　　}
　　[color=red]PDF:[/color]
　　import java.io.InputStream;
　　import java.io.IOException;
　　import org.apache.lucene.document.Document;
　　import org.pdfbox.cos.COSDocument;
　　import org.pdfbox.pdfparser.PDFParser;
　　import org.pdfbox.pdmodel.PDDocument;
　　import org.pdfbox.pdmodel.PDDocumentInformation;
　　import org.pdfbox.util.PDFTextStripper;
　　import com.search.code.Index;
　　public Document getDocument(Index index, String url, String title, InputStream is)throws DocCenterException {
　　COSDocument cosDoc = null;
　　try {
　　cosDoc = parseDocument(is);
　　} catch (IOException e) {
　　closeCOSDocument(cosDoc);
　　throw new DocCenterException("无法处理该PDF文档", e);
　　}
　　if (cosDoc.isEncrypted()) {
　　if (cosDoc != null)
　　closeCOSDocument(cosDoc);
　　throw new DocCenterException("该PDF文档是加密文档，无法处理");
　　}
　　String docText = null;
　　try {
　　PDFTextStripper stripper = new PDFTextStripper();
　　docText = stripper.getText(new PDDocument(cosDoc));
　　} catch (IOException e) {
　　closeCOSDocument(cosDoc);
　　throw new DocCenterException("无法处理该PDF文档", e);
　　}
　　 PDDocument pdDoc = null;
　　try { 　pdDoc = new PDDocument(cosDoc);

　　PDDocumentInformation docInfo = pdDoc.getDocumentInformation();
　　if(docInfo.getTitle()!=null && !docInfo.getTitle().equals("")){
　　title = docInfo.getTitle();
　　}
　　 } catch (Exception e) {
　　closeCOSDocument(cosDoc);
　　closePDDocument(pdDoc);
　　System.err.println("无法取得该PDF文档的元数据" + e.getMessage());
　　} finally {
　　closeCOSDocument(cosDoc);
　　closePDDocument(pdDoc);
　　}
　　return null;
　　}
　　private static COSDocument parseDocument(InputStream is) throws IOException {
　　PDFParser parser = new PDFParser(is);
　　parser.parse();
　　return parser.getDocument();
　　}
　　private void closeCOSDocument(COSDocument cosDoc) {
　　if (cosDoc != null) {
　　try {
　　cosDoc.close();
　　} catch (IOException e) {
　　}
　　}
　　}
　　private void closePDDocument(PDDocument pdDoc) {
　　if (pdDoc != null) {
　　try {
　　pdDoc.close();
　　} catch (IOException e) {
　　}
　　}
　　}