`
codermouse
  • 浏览: 50659 次
  • 性别: Icon_minigender_1
  • 来自: 西柏利亚
社区版块
存档分类
最新评论

转载 -- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容

阅读更多
JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例

以下是Java对几种文本文件内容读取代码。其中,OFFICE文档(WORD,EXCEL)使用了POI控件,PDF使用了PDFBOX控件。
  点击这里 查看相关控件的下载地址和配置方法。

POI: http://jakarta.apache.org/poi/index.html
PDFBOX: http://www.pdfbox.org/




  WORD

Java代码
package textReader;  
import java.io.*;  
import org.apache.poi.hwpf.extractor.WordExtractor;  
 
public class WordReader {  
    public WordReader(){  
    }  
    /** 
     * @param filePath 文件路径 
     * @return 读出的Word的内容 
     */ 
    public String getTextFromWord(String filePath){  
        String result = null;  
        File file = new File(filePath);  
        try{  
            FileInputStream fis = new FileInputStream(file);  
            WordExtractor wordExtractor = new WordExtractor(fis);  
            result = wordExtractor.getText();  
        }catch(FileNotFoundException e){  
            e.printStackTrace();  
        }catch(IOException e){  
            e.printStackTrace();  
        };  
        return result;  
    }  

 
  EXCEL

Java代码
package textReader;  
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.FileInputStream;  
import java.io.FileNotFoundException;  
import java.io.IOException;  
 
 
public class ExcelReader {  
 
    @SuppressWarnings("deprecation")  
    /** 
     * @param filePath 文件路径 
     * @return 读出的Excel的内容 
     */ 
    public String getTextFromExcel(String filePath) {  
        StringBuffer buff = new StringBuffer();  
        try {  
            //创建对Excel工作簿文件的引用  
            HSSFWorkbook wb = new HSSFWorkbook(new FileInputStream(filePath));  
            //创建对工作表的引用。          
            for (int numSheets = 0; numSheets < wb.getNumberOfSheets(); numSheets++) {  
                if (null != wb.getSheetAt(numSheets)) {  
                    HSSFSheet aSheet = wb.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 (int cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {  
                                if (null != aRow.getCell(cellNumOfRow)) {  
                                    HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值  
                                    switch(aCell.getCellType()){  
                                        case HSSFCell.CELL_TYPE_FORMULA:  
                                            break;   
                                        case HSSFCell.CELL_TYPE_NUMERIC:  
                                            buff.append(aCell.getNumericCellValue()).append('\t');break;  
                                        case HSSFCell.CELL_TYPE_STRING:  
                                            buff.append(aCell.getStringCellValue()).append('\t');break;                                                               
                                }                             
                        }                                                                                  
                    }  
                    buff.append('\n');  
                    }  
                }                                        
            }             
        }  
        } catch (FileNotFoundException e) {  
            e.printStackTrace();  
        } catch (IOException e) {  
            e.printStackTrace();  
        }  
        return buff.toString();  
    }              


  PDF 

Java代码
package textReader;  
import java.io.FileInputStream;  
import java.io.FileNotFoundException;  
import java.io.IOException;  
 
import org.pdfbox.pdfparser.PDFParser;  
import org.pdfbox.pdmodel.PDDocument;  
import org.pdfbox.util.PDFTextStripper;  
 
 
public class PdfReader {  
    public PdfReader(){  
    }  
    /** 
     * @param filePath 文件路径 
     * @return 读出的pdf的内容 
     */ 
    public String getTextFromPdf(String filePath) {  
        String result = null;  
        FileInputStream is = null;  
        PDDocument document = null;  
        try {  
            is = new FileInputStream(filePath);  
            PDFParser parser = new PDFParser(is);  
            parser.parse();  
            document = parser.getPDDocument();  
            PDFTextStripper stripper = new PDFTextStripper();  
            result = stripper.getText(document);  
        } catch (FileNotFoundException e) {  
            e.printStackTrace();  
        } catch (IOException e) {  
            e.printStackTrace();  
        } finally {  
            if (is != null) {  
                try {is.close();}catch(IOException e){e.printStackTrace();}  
            }  
            if (document != null) {  
                try{document.close();}catch (IOException e){e.printStackTrace();}  
            }  
        }  
        return result;  
    }  
 

  TXT

Java代码
package textReader;  
import java.io.*;  
 
 
public class TxtReader {  
    public TxtReader() {          
    }  
    /** 
     * @param filePath 文件路径 
     * @return 读出的txt的内容 
     */ 
    public String getTextFromTxt(String filePath) throws Exception {  
          
        FileReader fr = new FileReader(filePath);  
        BufferedReader br = new BufferedReader(fr);  
        StringBuffer buff = new StringBuffer();  
        String temp = null;  
        while((temp = br.readLine()) != null){  
            buff.append(temp + "\r\n");  
        }  
        br.close();       
        return buff.toString();       
    }  

RTF

Java代码
package textReader;  
import java.io.File;  
import java.io.FileInputStream;  
import java.io.IOException;  
import java.io.InputStream;  
 
import javax.swing.text.BadLocationException;  
import javax.swing.text.DefaultStyledDocument;  
import javax.swing.text.rtf.RTFEditorKit;  
 
 
public class RtfReader {  
    public RtfReader(){  
    }  
    /** 
     * @param filePath 文件路径 
     * @return 读出的rtf的内容 
     */ 
    public String getTextFromRtf(String filePath) {  
        String result = null;  
        File file = new File(filePath);  
        try {         
            DefaultStyledDocument styledDoc = new DefaultStyledDocument();  
            InputStream is = new FileInputStream(file);  
            new RTFEditorKit().read(is, styledDoc, 0);  
            result = new String(styledDoc.getText(0,styledDoc.getLength()).getBytes("ISO8859_1"));  
            //提取文本,读取中文需要使用ISO8859_1编码,否则会出现乱码  
        } catch (IOException e) {  
            e.printStackTrace();  
        } catch (BadLocationException e) {  
            e.printStackTrace();  
        }  
        return result;  
    }  
      

   HTML

Java代码
package textReader;  
import java.io.*;  
 
public class HtmlReader {  
    public HtmlReader() {  
    }  
    /** 
     * @param filePath 文件路径 
     * @return 获得html的全部内容 
     */ 
    public String readHtml(String filePath) {  
        BufferedReader br=null;  
        StringBuffer sb = new  StringBuffer();  
        try {  
            br=new BufferedReader(new InputStreamReader(new FileInputStream(filePath),  "GB2312"));           
            String temp=null;         
            while((temp=br.readLine())!=null){  
                sb.append(temp);  
            }             
        } catch (FileNotFoundException e) {  
            e.printStackTrace();  
        } catch (IOException e) {  
            e.printStackTrace();  
        }  
        return sb.toString();  
    }  
    /** 
     * @param filePath 文件路径 
     * @return 获得的html文本内容 
     */ 
    public String getTextFromHtml(String filePath) {  
        //得到body标签中的内容  
        String str= readHtml(filePath);  
        StringBuffer buff = new StringBuffer();  
        int maxindex = str.length() - 1;  
        int begin = 0;  
        int end;              
        //截取>和<之间的内容  
        while((begin = str.indexOf('>',begin)) < maxindex){             
            end = str.indexOf('<',begin);  
            if(end - begin > 1){  
                buff.append(str.substring(++begin, end));                 
            }             
            begin = end+1;  
        };        
        return buff.toString();  
    }  
 


  注意 :若使用WPS编辑相关文档,会有错误提示,应避免。

  错误文本提示如下:

WORD

Your document seemed to be mostly unicode, but the section definition was in bytes! Trying anyway, but things may well go wrong!

EXCEL

java.lang.RuntimeException: Expected an EXTERNSHEET record but got (org.apache.poi.hssf.record.SSTRecord)
    at org.apache.poi.hssf.model.LinkTable.readExtSheetRecord(LinkTable.java:187)
    at org.apache.poi.hssf.model.LinkTable.<init>(LinkTable.java:163)
    at org.apache.poi.hssf.model.Workbook.createWorkbook(Workbook.java:199)
    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:273)
    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:196)
    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:312)
    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:293)
    at textReader.ExcelReader.getTextFromExcel(ExcelReader.java:23)
    at DocumentInfo.getContent(DocumentInfo.java:86)
    at MainFunction.main(MainFunction.java:19)

RTF

java.io.IOException: Too many close-groups in RTF text
    at javax.swing.text.rtf.RTFParser.write(Unknown Source)
    at javax.swing.text.rtf.RTFParser.writeSpecial(Unknown Source)
    at javax.swing.text.rtf.AbstractFilter.write(Unknown Source)
    at javax.swing.text.rtf.AbstractFilter.readFromStream(Unknown Source)
    at javax.swing.text.rtf.RTFEditorKit.read(Unknown Source)
    at textReader.RtfReader.getTextFromRtf(RtfReader.java:25)
    at DocumentInfo.getContent(DocumentInfo.java:74)
    at MainFunction.main(MainFunction.java:19)

BODY { FONT-FAMILY:Tahoma; FONT-SIZE:10pt } P { FONT-FAMILY:Tahoma; FONT-SIZE:10pt } DIV { FONT-FAMILY:Tahoma; FONT-SIZE:10pt } TD { FONT-FAMILY:Tahoma; FONT-SIZE:10pt }   顺便说一下,这里为什么会在write出错呢?因为 level是根据{和}来进行自增和自减的,当括号不匹配的时候就会提示该错误。 wps编辑rtf文件在格式上出了问题,{和}不匹配。 但用word或写字板下新建文件,编辑后另存为rtf文件(wps下不支持),用记事本打开可以发现添加了很多格式说明,但是{和}是匹配的,这样才不会报错。下面是具体说明:

http://www.chinaitpower.com/source/jdk122/javax/swing/text/rtf/RTFParser.java.html


备注:转载自:http://www.blogjava.net/103335460/articles/314145.html
分享到:
评论

相关推荐

    java读取word文档.pdf

    首先,标题“java读取word文档.pdf”和描述“java读取word文档.pdf”暗示了文章内容可能涉及使用Java语言读取Word文档的技术。 从片段中可以提取到的关键技术点包括: 1. Apache POI库:Apache POI是一个开源的...

    aspose 文件转化 excel-word-ppt 含 lisence.xml

    总的来说,这个压缩包提供了一套完整的解决方案,用于在Java环境中高效地处理Word、Excel和PowerPoint文件,无需依赖Microsoft Office。无论你是需要批量转换文件,还是在应用程序中嵌入文档处理功能,Aspose库都能...

    java读取文件

    Java读取Word文件 读取Word文件通常涉及到使用Apache POI库中的`WordExtractor`类。这个类提供了从Microsoft Word文档(.doc和.docx)中提取文本的功能。在给定的代码片段中,`WordReader`类定义了一个`...

    java-pdf&word-jar.zip

    1. PDF解析:读取PDF文件内容,包括文本、图像、图形等。 2. PDF创建:创建新的PDF文档,添加文本、图像、链接等元素。 3. PDF编辑:修改已有的PDF文档,例如更新文本、图像、元数据等。 4. 文本提取:从PDF中抽取...

    Java Word控件-Free Spire.Doc for Java_2.0.0

    首先,Free Spire.Doc for Java支持广泛的Word文档格式,包括.doc、.docx、.rtf、.html等,这使得它能够处理各种来源的Word文件。利用此库,开发者可以轻松实现以下功能: 1. **创建和编辑文档**:从头创建新的Word...

    aspose-words-15.8.0-jdk16.jar以及license.xml文件

    2. **文档读取与解析**:支持打开和读取.doc、.docx、.rtf等各种Word格式的文件,提取文本、样式信息、图像等。 3. **文档编辑**:允许对已有的Word文档进行修改,如替换文本、调整格式、插入或删除页面、段落和...

    Spire.PDF 帮助文档Spire.DOC 帮助文档

    2. **读取Word**:能够打开和解析DOC、DOCX、RTF等格式的Word文件,并提取其内容。 3. **编辑Word**:提供文本、段落、表格、图片、页眉/页脚、页码等元素的编辑功能。 4. **转换Word**:支持将Word文档转换为PDF、...

    aspose-words的license和jar

    Aspose.Words是一款强大的文档处理库,主要用于在Java、.NET、Android等平台上进行Microsoft Word文档的操作。这个压缩包文件包含的"aspose-words"是该库的相关组件,主要功能在于无须安装Microsoft Office环境就能...

    aspose 全套words pdf cells slides Java版

    Aspose是一系列强大的开发工具,主要用于处理各种文档格式,如Word、PDF、Excel(Cells)和幻灯片(Slides)。这些工具提供了丰富的API,让开发者能够轻松地在Java应用程序中创建、编辑、转换和呈现各种文档类型。...

    office、txt、rtf 文档实现在线浏览功能,jacod.jar(含)

    这个压缩包提供的资源主要涉及了处理Office文档(如Word、Excel、PowerPoint)、纯文本(txt)和富文本格式(RTF)的在线预览功能。通过`print2flash`工具和`jacod.jar`库,我们可以将这些不同类型的文档转换为Flash...

    aspose+3个jar+license

    Aspose 是一个强大的Java库,用于处理各种办公文档格式,如PDF、Word、Excel和PowerPoint等。在提供的压缩包中,我们有三个Aspose的特定版本的JAR文件和一个license.xml文件,它们分别是: 1. **aspose.slides-15.9...

    aspose工具包,用于java编程

    Aspose 是一个强大的Java工具包,它为开发者提供了一系列API,用于处理各种文件格式,如Microsoft Office文档(Word、Excel、PowerPoint等)、PDF、图像和电子邮件等。这个工具包使得在Java应用程序中进行文件操作变...

    aspose-words-16.6.0-jdk16带license.rar

    在IT行业中,Aspose是一个知名的库,主要用于处理各种文件格式,如Word、PDF、Excel等。这个"aspose-words-16.6.0-jdk16带license.rar"压缩包显然包含了Aspose.Words for Java的一个版本,具体是16.6.0版,而且针对...

    aspose.jar包java api合集

    Aspose 是一个强大的Java库,提供了丰富的API集合,主要用于处理各种文件格式,包括Word文档、Excel电子表格、PDF以及PowerPoint演示文稿等。这个"aspose.jar"包集成了Aspose的产品API,使得Java开发者能够轻松实现...

    ALLTOTXT文件转换

    2. **转换过程**:ALLTOTXT转换通常包括读取源文件、解析文件结构、提取文本内容、并将其保存为TXT文件的步骤。这个过程可能需要处理编码问题,因为不同的文件可能采用UTF-8、GBK或其他编码,转换时必须正确识别和...

    asponse.words

    `asponse.words` 是一个基于Java的库,主要用于处理Word文档和将其转换为PDF格式。这个库使用了Aspose.Words组件,一个强大的文件处理工具,可以用来创建、编辑、转换和显示Microsoft Word文档。Aspose.Words支持...

    非常好用的文档转pdfjar,实现doc、docx、excel、ppt转换成pdf

    本资源提供了一个名为"非常好用的文档转pdfjar"的工具,它能够帮助用户将常见的Microsoft Office格式文件,如doc、docx、excel和ppt转换为PDF格式。这个工具基于Spire组件,是一个高效且易于使用的解决方案。 Spire...

    aspose.cellsaspose.words

    Aspose.Cells是Java开发人员的利器,它提供了一套全面的API,使得在Java应用程序中创建、读取、修改和转换Excel文件变得轻而易举。通过这个库,开发者可以方便地执行以下操作: 1. **创建和编辑电子表格**:Aspose....

    aspose words cells slides pdf

    Aspose 是一个强大的开发工具集合,专为处理各种文件格式而设计,包括 Words、Cells、Slides 和 PDF。这些工具允许开发者在应用程序中实现对文档、电子表格、演示文稿和PDF文件的创建、编辑、转换和渲染等功能,而...

Global site tag (gtag.js) - Google Analytics