学步园

JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法

http://blog.sina.com.cn/u/54c1567b010008vh

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

WORD:

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;
}

Excel:

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;
}

PowerPoint:

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;
}

PDF:

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) {
   }
  }
}

代码复制可能出错，不过代码经过测试，绝对能用，POI为3.0-rc4，PDFBOX为0.7.3

POI: http://jakarta.apache.org/poi/index.html