JAVA提取Word,Excel,PPT,PDF,TXT等⽂档⽂字内容⾸先引⼊Maven库
[html]
01. <dependency>
02. <groupId>org.apache.poi</groupId>
03. <artifactId>poi</artifactId>
04. <version>3.15</version>
05. </dependency>
06. <dependency>
07. <groupId>org.apache.poi</groupId>
08. <artifactId>poi-ooxml</artifactId>
09. <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]
01.
[java]
01. <pre name="code"class="html">public class ParseText {
02.
03. // 判断⽂档类型，调⽤不同的解析⽅法
04. public static String parse(byte[] buffer, String suffix) {
05.        String text = "";
06. switch (suffix) {
07. case"doc":
08.            text = getTextFromWord(buffer);
09. 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. placeAll("\\s*", "");
36.    }
37.
38. // 读取Word97-2003的全部内容 doc
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 = Text();
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 = Text();
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 = Text();
105.            extractor.close();
106.        } catch (IOException e) {
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 = Text();
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 = Text(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) {
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 = ad(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.            set();
211. if (!checked) {
212. while ((read = ad()) != -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 = ad();
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 = ad();
226. if (0x80 <= read && read <= 0xBF) {
227.                            read = ad();
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();
242.                bis.close();
243.            }
244.        }
245. return charset;
246.    }
247. }</pre><br>
248. <br>
excel最强教科书完全版pdf249. <p></p>
250. <pre></pre>
251. <br>
252. <p></p>
253. <div ><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 = Text(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>

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。