POI 读取word (word 2003 和 word 2007)

 

    最近在给客户做系统的时候，用户提出需求，要能够导入 word 文件，现在 microsoft word 有好几个版本 97、2003、2007的，这三个版本存储数据的格式上都有相当大的差别，而现在 97 基本上已经退出市场，几乎没有人用这个版本了， 所以在我们的系统中只考虑 2003 版本和 2007 版本的，因为我们只要求能够读取 word 中的文字内容即可，其中的文字样式、图片等信息可以忽略，也不用直接操作 word 文件， 所以我们选择 用 apache 的 POI 进行读取。

 

    读取 2003 版本(.doc)的word文件相对来说比较简单，只需要 poi-3.5-beta6-20090622.jar 和 poi-scratchpad-3.5-beta6-20090622.jar 两个 jar 包即可， 而 2007 版本(.docx)就麻烦多，我说的这个麻烦不是我们写代码的时候麻烦，是要导入的 jar 包比较的多，有如下 7 个之多：
 1. openxml4j-bin-beta.jar
 2. poi-3.5-beta6-20090622.jar
 3. poi-ooxml-3.5-beta6-20090622.jar
 4 .dom4j-1.6.1.jar
 5. geronimo-stax-api_1.0_spec-1.0.jar
 6. ooxml-schemas-1.0.jar
 7. xmlbeans-2.3.0.jar
其中 4-7 是 poi-ooxml-3.5-beta6-20090622.jar 所依赖的 jar 包（在 poi-bin-3.5-beta6-20090622.tar.gz 中的 ooxml-lib 目录下可以找到）。

 

    编写代码之前我们得先下载所需要的 jar 包， 我们只需下载 poi-bin-3.5-beta6-20090622.tar.gz 和 openxml4j-bin-beta.jar 即可，因为所需要的其他 jar 包都能在 poi-bin-3.5-beta6-20090622.tar.gz 中找到, 下面是下载地址：
poi-bin-3.5-beta6-20090622.tar.gz：http://apache.etoak.com/poi/dev/bin/poi-bin-3.5-beta6-20090622.tar.gz
openxml4j-bin-beta.jar：http://mirror.optus.net/sourceforge/o/op/openxml4j/openxml4j-bin-beta.jar
 
    下方是读取 word 文件的 Java 代码，值得注意的是： POI 在读取 word 文件的时候不会读取 word 文件中的图片信息， 还有就是对于 2007 版的 word(.docx), 如果 word 文件中有表格，所有表格中的数据都会在读取出来的字符串的最后。

 

 

 

    import java.io.File;  
    import java.io.FileInputStream;  
    import java.io.InputStream;  
      
    import org.apache.poi.POIXMLDocument;  
    import org.apache.poi.POIXMLTextExtractor;  
    import org.apache.poi.hwpf.extractor.WordExtractor;  
    import org.apache.poi.openxml4j.opc.OPCPackage;  
    import org.apache.poi.xwpf.extractor.XWPFWordExtractor;  
      
    /** 
     * POI 读取 word 2003 和 word 2007 中文字内容的测试类<br /> 
     * @createDate 2009-07-25 
     * @author Carl He 
     */  
    public class Test {  
        public static void main(String[] args) {  
            try {  
                //word 2003： 图片不会被读取  
                  InputStream is = new FileInputStream(new File("c://files//2003.doc"));  
                WordExtractor ex = new WordExtractor(is);  
                String text2003 = ex.getText();  
                System.out.println(text2003);  
      
                //word 2007 图片不会被读取， 表格中的数据会被放在字符串的最后  
                OPCPackage opcPackage = POIXMLDocument.openPackage("c://files//2007.docx");  
                POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);  
                String text2007 = extractor.getText();  
                System.out.println(text2007);  
                  
            } catch (Exception e) {  
                e.printStackTrace();  
            }  
        }  
    }  

 

如果想下载完整的示例代码，可以到这里下载，这个 rar 包中有 POI 读取word 2003 和 word 2007 所需要的全部 jar 包 和 word 2003、word 2007 示例文件。