利⽤POI读取word、Excel⽂件的最佳实践教程
前⾔
是 Apache 旗下⼀款读写微软家⽂档声名显赫的类库。应该很多⼈在做报表的导出，或者创建 word ⽂档以及读取之类的都是⽤过 POI。POI 也的确对于
这些操作带来很⼤的便利性。我最近做的⼀个⼯具就是读取计算机中的 word 以及 excel ⽂件。
POI结构说明
包名称说明
HSSF提供读写Microsoft Excel XLS格式档案的功能。
XSSF提供读写Microsoft Excel OOXML XLSX格式档案的功能。
HWPF提供读写Microsoft Word DOC格式档案的功能。
HSLF提供读写Microsoft PowerPoint格式档案的功能。
HDGF提供读Microsoft Visio格式档案的功能。
HPBF提供读Microsoft Publisher格式档案的功能。
HSMF提供读Microsoft Outlook格式档案的功能。
下⾯就word和excel两⽅⾯讲解以下遇到的⼀些坑：
word 篇
对于 word ⽂件，我需要的就是提取⽂件中正⽂的⽂字。所以可以创建⼀个⽅法来读取 doc 或者 docx ⽂件：
private static String readDoc(String filePath, InputStream is) {
String text= "";
try {
if (dsWith("doc")) {
WordExtractor ex = new WordExtractor(is);
text = ex.getText();
ex.close();
is.close();
} else dsWith("docx")) {
XWPFDocument doc = new XWPFDocument(is);
XWPFWordExtractor extractor = new XWPFWordExtractor(doc);
text = Text();
extractor.close();
is.close();
}
} catch (Exception e) {
<(filePath, e);
} finally {
if (is != null) {
is.close();
}
}
return text;
}
理论上来说，这段代码应该对于读取⼤多数 doc 或者 docx ⽂件都是有效的。但是我发现了⼀个奇怪的问题，就是我的代码在读取某些 doc ⽂件的时候，经常会给出这样的⼀个异常：
org.apache.poi.poifs.filesystem.OfficeXmlFileException: The supplied data appears to be in the Office 2007+ XML. You are calling the part of POI that deals with OLE2 Office Documents.
这个异常的意思是什么呢，通俗的来讲，就是你打开的⽂件并不是⼀个 doc ⽂件，你应该使⽤读取 doc
x 的⽅法去读取。但是我们明明打开的就是⼀个后缀是 doc 的⽂件啊！
其实 doc 和 docx 的本质不同的，doc 是 OLE2 类型，⽽ docx ⽽是 OOXML 类型。如果你⽤压缩⽂件打开⼀个 docx ⽂件，你会发现⼀些⽂件夹：
本质上 docx ⽂件就是⼀个 zip ⽂件，⾥⾯包含了⼀些 xml ⽂件。所以，⼀些 docx ⽂件虽然⼤⼩不⼤，但是其内部的 xml ⽂件确实⽐较⼤的，这也是为什么在读取某些看起来不是很⼤的 docx ⽂件的时候却耗费了⼤量的内存。
然后我使⽤压缩⽂件打开这个 doc ⽂件，果不其然，其内部正是如上图，所以本质上我们可以认为它是⼀个 docx ⽂件。可能是因为它是以某种兼容模式保存从⽽导致如此坑爹的问题。所以，现在我们根据后缀名来判断⼀个⽂件是 doc 或者 docx 就是不可靠的了。
⽼实说，我觉得这应该不是⼀个很少见的问题。但是我在⾕歌上并没有到任何关于此的信息。这个例⼦是通过 ZipInputStream 来判断⽂件是否是 docx ⽂件：
boolean isZip = new ZipInputStream( fileStream ).getNextEntry() != null;
但我并不觉得这是⼀个很好的⽅法，因为我得去构建⼀个ZipInpuStream，这很显然不好。另外，这个操作貌似会影响到 InputStream，所以你在读取正常的 doc ⽂件会有问题。或者你使⽤ File 对象去判断
是否是⼀个 zip ⽂件。但这也不是⼀个好⽅法，因为我还需要在压缩⽂件中读取 doc 或者 docx ⽂件，所以我的输⼊必须是 Inputstream，所以这个选项也是不可以的。我在 stackoverflow 上和⼀帮⽼外扯了⼤半天，有时候我真的很怀疑这帮⽼外的理解能⼒，不过最终还是有⼀个⼤佬给出了⼀个让我欣喜若狂的解决⽅案，。这个是⼀个 POI 3.17新增加的⼀个特性：
public enum FileMagic {
/** OLE2 / BIFF8+ stream used for Office 97 and higher documents */
OLE2(HeaderBlockConstants._signature),
/** OOXML / ZIP stream */
OOXML(OOXML_FILE_HEADER),
/** XML file */
XML(RAW_XML_FILE_HEADER),
/** BIFF2 raw stream - for Excel 2 */
BIFF2(new byte[]{
0x09, 0x00, // sid=0x0009
0x04, 0x00, // size=0x0004
0x00, 0x00, // unused
0x70, 0x00 // 0x70 = multiple values
}),
/** BIFF3 raw stream - for Excel 3 */
BIFF3(new byte[]{
0x09, 0x02, // sid=0x0209
0x06, 0x00, // size=0x0006
0x00, 0x00, // unused
0x70, 0x00 // 0x70 = multiple values
}),
/** BIFF4 raw stream - for Excel 4 */
BIFF4(new byte[]{
0x09, 0x04, // sid=0x0409
0x06, 0x00, // size=0x0006
0x00, 0x00, // unused
0x70, 0x00 // 0x70 = multiple values
},new byte[]{
0x09, 0x04, // sid=0x0409
0x06, 0x00, // size=0x0006
0x00, 0x00, // unused
0x00, 0x01
}),
/** Old MS Write raw stream */
MSWRITE(
new byte[]{0x31, (byte)0xbe, 0x00, 0x00 },
new byte[]{0x32, (byte)0xbe, 0x00, 0x00 }),
/** RTF document */
springboot其实就是springRTF("{\\rtf"),
/** PDF document */
PDF("%PDF"),
/
/ keep UNKNOWN always as last enum!
/** UNKNOWN magic */
UNKNOWN(new byte[0]);
final byte[][] magic;
FileMagic(long magic) {
this.magic = new byte[1][8];
LittleEndian.putLong(this.magic[0], 0, magic);
}
FileMagic(byte[]... magic) {
this.magic = magic;
}
FileMagic(String magic) {
Bytes(LocaleUtil.CHARSET_1252));
}
public static FileMagic valueOf(byte[] magic) {
for (FileMagic fm : values()) {
int i=0;
boolean found = true;
for (byte[] ma : fm.magic) {
for (byte m : ma) {
byte d = magic[i++];
if (!(d == m || (m == 0x70 && (d == 0x10 || d == 0x20 || d == 0x40)))) {
found = false;
break;
}
}
if (found) {
return fm;
}
}
}
return UNKNOWN;
}
/
**
* Get the file magic of the supplied InputStream (which MUST
* support mark and reset).<p>
*
* If unsure if your InputStream does support mark / reset,
* use {@link #prepareToCheckMagic(InputStream)} to wrap it and make
* sure to always use that, and not the original!<p>
*
* Even if this method returns {@link FileMagic#UNKNOWN} it could potentially mean,
* that the ZIP stream has leading junk bytes
*
* @param inp An InputStream which supports either mark/reset
*/
public static FileMagic valueOf(InputStream inp) throws IOException {
if (!inp.markSupported()) {
throw new IOException("getFileMagic() only operates on streams which support mark(int)");
}
// Grab the first 8 bytes
byte[] data = IOUtils.peekFirst8Bytes(inp);
return FileMagic.valueOf(data);
}
/**
* Checks if an {@link InputStream} can be reseted (i.e. used for checking the header magic) and wraps it if not
*
* @param stream stream to be checked for wrapping
* @return a mark enabled stream
*/
public static InputStream prepareToCheckMagic(InputStream stream) {
if (stream.markSupported()) {
return stream;
}
// we used to process the data via a PushbackInputStream, but user code could provide a too small one
// so we use a BufferedInputStream instead now
return new BufferedInputStream(stream);
}
}
在这给出主要的代码，其主要就是根据 InputStream 前 8 个字节来判断⽂件的类型，毫⽆以为这就是最优雅的解决⽅式。⼀开始，其实我也是在想对于压缩⽂件的前⼏个字节似乎是由不同的定义的，。因为 FileMagic 的依赖和3.16 版本是兼容的，所以我只需要加⼊这个类就可以了，因此我们现在读取word ⽂件的正确做法是：
private static String readDoc (String filePath, InputStream is) {
String text= "";
is = FileMagic.prepareToCheckMagic(is);
try {
if (FileMagic.valueOf(is) == FileMagic.OLE2) {
WordExtractor ex = new WordExtractor(is);
text = ex.getText();
ex.close();
} else if(FileMagic.valueOf(is) == FileMagic.OOXML) {
XWPFDocument doc = new XWPFDocument(is);
XWPFWordExtractor extractor = new XWPFWordExtractor(doc);
text = Text();
extractor.close();
}
} catch (Exception e) {
<("for file " + filePath, e);
} finally {
if (is != null) {
is.close();
}
}
return text;
}
excel 篇
对于 excel 篇，我也就不去之前的⽅案和现在的⽅案的对⽐了。就给出我现在的最佳做法了：
@SuppressWarnings("deprecation" )
private static String readExcel(String filePath, InputStream inp) throws Exception {
Workbook wb;
StringBuilder sb = new StringBuilder();
try {
if (dsWith(".xls")) {
wb = new HSSFWorkbook(inp);
} else {
wb = StreamingReader.builder()
.rowCacheSize(1000) // number of rows to keep in memory (defaults to 10)
.bufferSize(4096) // buffer size to use when reading InputStream to file (defaults to 1024)
.open(inp); // InputStream or File for XLSX file (required)
}
sb = readSheet(wb, sb, dsWith(".xls"));
wb.close();
} catch (OLE2NotOfficeXmlFileException e) {
<(filePath, e);
} finally {
if (inp != null) {
inp.close();
}
}
String();
}
private static String readExcelByFile(String filepath, File file) {
Workbook wb;
StringBuilder sb = new StringBuilder();
try {
if (dsWith(".xls")) {
wb = ate(file);
} else {
wb = StreamingReader.builder()
.rowCacheSize(1000) // number of rows to keep in memory (defaults to 10)
.bufferSize(4096) // buffer size to use when reading InputStream to file (defaults to 1024)
.
open(file); // InputStream or File for XLSX file (required)
}
sb = readSheet(wb, sb, dsWith(".xls"));
wb.close();
} catch (Exception e) {
<(filepath, e);
}
String();
}
private static StringBuilder readSheet(Workbook wb, StringBuilder sb, boolean isXls) throws Exception {
for (Sheet sheet: wb) {
for (Row r: sheet) {
for (Cell cell: r) {
if (CellType() == Cell.CELL_TYPE_STRING) {
sb.StringCellValue());
sb.append(" ");
} else if (CellType() == Cell.CELL_TYPE_NUMERIC) {
if (isXls) {
DataFormatter formatter = new DataFormatter();
sb.append(formatter.formatCellValue(cell));
} else {
sb.StringCellValue());
}
sb.append(" ");
}
}
}
}
return sb;
}
其实，对于 excel 读取，我的⼯具⾯临的最⼤问题就是内存溢出。经常在读取某些特别⼤的 excel ⽂件的时候都会带来⼀个内存溢出的问题。后来我终于到⼀个优秀的⼯具，它可以流式的读取 xlsx ⽂件，将⼀些特别⼤的⽂件拆分成⼩的⽂件去读。
另外⼀个做的优化就是，对于可以使⽤ File 对象的场景下，我是去使⽤ File 对象去读取⽂件⽽不是使⽤
InputStream 去读取，因为使⽤ InputStream 需要把它全部加载到内存中，所以这样是⾮常占⽤内存的。
最后，我的⼀点⼩技巧就是使⽤ CellType 去减少⼀些数据量，因为我只需要获取⼀些⽂字以及数字的字符串内容就可以了。
以上，就是我在使⽤ POI 读取⽂件的⼀些探索和发现，希望对你能有所帮助。上⾯的这些例⼦也是在我的⼀款⼯具中的应⽤（这款⼯具主要是可以帮助你在电脑中进⾏内容的全⽂搜索），感兴趣的可以看看，欢迎 star 或者 pr。
总结
以上就是这篇⽂章的全部内容了，希望本⽂的内容对⼤家的学习或者⼯作具有⼀定的参考学习价值，如果有疑问⼤家可以留⾔交流，谢谢⼤家对的⽀持。
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。
发表评论