java导入word文档

Word文档分为两种格式，.doc和OOXML规范的.docx，在poi中也有相应的类包处理。

而doc文件的格式一般都不为2003版的doc文件格式，可能为rtf、xml等格式。

Maven依赖

<!-- https://mvnrepository.com/artifact/org.apache.poi/poi-scratchpad -->

<dependency>

  <groupId>org.apache.poi</groupId>

  <artifactId>poi-scratchpad</artifactId>

  <version>4.0.1</version>

</dependency>

<!-- https://mvnrepository.com/artifact/org.apache.poi/poi-ooxml -->

<dependency>

  <groupId>org.apache.poi</groupId>

  <artifactId>poi-ooxml</artifactId>

  <version>4.0.1</version>

</dependency>

 

对docx文件读取

File docFile = new File("d://a.docx");

FileInputStream fis = new FileInputStream(docFile);

XWPFDocument xdoc = new XWPFDocument(fis);

XWPFWordExtractor extractor = new XWPFWordExtractor(xdoc);

String result = extractor.getText();

logger.info(result);

 

对docx里面图片的获取测试

try {

    File docFile = new File("d://a.docx");

    FileInputStream fis = new FileInputStream(docFile);

    XWPFDocument xdoc = new XWPFDocument(fis);

    byte[] bytes = xdoc.getAllPictures().get(0).getData();

    OutputStream os = new FileOutputStream("d://a.png");

    int len = 0;

    int count = 0;

    while (bytes.length / 4096 > count) {

        os.write(bytes, 4096 * count++, 4096);

    }

    os.close();

} catch (IOException e) {

    e.printStackTrace();

}

 

 

对doc文件读取

 

File docFile = new File("d://abc.doc");

 FileInputStream fis = new FileInputStream(docFile);

 HWPFDocument doc = new HWPFDocument(fis);

 WordExtractor extractor=new WordExtractor(doc);

String result =extractor.getText();

 logger.info(result);

 

这里测试用的是网上下载的doc文件，报出该文件实际是一个rtf文件的错误，网上的文档可能大多都为使用rtf模板生成的word文档，其实该文件的实际编码格式为rtf的格式，将文件存储为rtf后缀，发现也是能够打开的。

 

java.lang.IllegalArgumentException: The document is really a RTF file

 

       at org.apache.poi.hwpf.HWPFDocumentCore.verifyAndBuildPOIFS(HWPFDocumentCore.java:126)

       at org.apache.poi.hwpf.HWPFDocument.<init>(HWPFDocument.java:165)

 

试着用rtf去解析

 

String result = null;

File file = new File("d://abc.doc");

try {

    DefaultStyledDocument dsd = new DefaultStyledDocument();

    InputStream is = new FileInputStream(file);

    new RTFEditorKit().read(is, dsd, 0);

    System.out.println(  new String(dsd.getText(0, dsd.getLength()).getBytes()));

} catch (IOException e) {

    e.printStackTrace();

} catch (BadLocationException e) {

    e.printStackTrace();

}

打印出来的是乱码

 

ÎĵµÏÂÔØÍøÊÇרҵµÄÃâ·ÑÎĵµËÑË÷ÓëÏÂÔØÍøÕ¾£¬ÌṩÐÐÒµ×ÊÁÏ£¬¿¼ÊÔ×ÊÁÏ£¬½Ìѧ¿Î¼þ£¬Ñ§ÊõÂÛÎÄ£¬¼¼Êõ×ÊÁÏ£¬Ñо¿±¨¸æ£¬¹¤×÷·¶ÎÄ£¬×ʸñ¿¼ÊÔ£¬wordÎĵµ£¬×¨ÒµÎÄÏ×£¬Ó¦ÓÃÎÄÊ飬ÐÐÒµÂÛÎĵÈÎĵµËÑË÷ÓëÎĵµÏÂÔØ£¬ÊÇÄúÎĵµÐ´×÷ºÍ²éÕҲο¼×ÊÁϵıر¸ÍøÕ¾¡£

ÎĵµÏÂÔØ

ÒÚÍòÎĵµ×ÊÁÏ£¬µÈÄãÀ´·¢ÏÖ

 

将编码转成gbk

 

new String(dsd.getText(0, dsd.getLength()).getBytes("ISO8859-1"),"GBK")

 

正常解析

将文件格式转为97-2003版的doc文件

使用WordExtractor去解析可以了，所以在解析的时候也主要是看文档的实际格式为什么格式，而后缀为doc的实际文件格式也可以有很多种，如doc，xml，rtf等。在读取时也要有多种解析方式。