Java读取Word、Excel和PDF文本教程

本文将介绍如何使用Java编程语言来读取和提取Word、Excel和PDF等文本内容。我们将探讨Apache POI库在处理Microsoft Office文档（如Word和Excel）中的应用，以及处理PDF文档的不同方法。 Java读取Word文本： 在Java中，我们可以使用Apache POI库中的`HWPF`组件来读取旧版的Word文档（.doc格式）。以下代码展示了如何读取Word文档中的文本： ```java import org.apache.poi.hwpf.extractor.WordExtractor; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; public class WordReader { 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; } } ``` 在上述代码中，我们创建了一个`WordReader`类，它有一个`getTextFromWord`方法，用于读取指定路径的Word文档并返回文本内容。 Java读取Excel文本： 对于Excel文件，Apache POI提供了`HSSF`组件来处理老版本的Excel文件（.xls格式）。以下代码展示了如何读取Excel工作表中的文本： ```java 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") public String getTextFromExcel(String filePath) { StringBuffer buffer = new StringBuffer(); try { FileInputStream fis = new FileInputStream(filePath); HSSFWorkbook workbook = new HSSFWorkbook(fis); HSSFSheet sheet = workbook.getSheetAt(0); // 获取第一个工作表 for (int rowIndex = 0; rowIndex < sheet.getLastRowNum(); rowIndex++) { HSSFRow row = sheet.getRow(rowIndex); if (row != null) { for (int cellIndex = 0; cellIndex < row.getLastCellNum(); cellIndex++) { HSSFCell cell = row.getCell(cellIndex); if (cell != null) { buffer.append(cell.getStringCellValue()).append("\t"); } } buffer.append("\n"); } } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } return buffer.toString(); } } ``` 在这个`ExcelReader`类中，我们定义了一个`getTextFromExcel`方法，它打开指定路径的Excel文件，遍历所有行和单元格，并将文本内容添加到一个字符串缓冲区中。 至于PDF文档，Java可以使用如Apache PDFBox、iText或PDFBox等库来读取PDF文本。由于提供的内容没有包括PDF的读取示例，这里给出一个使用PDFBox的例子： ```java import org.apache.pdfbox.pdmodel.PDDocument; import org.apache.pdfbox.text.PDFTextStripper; import java.io.File; import java.io.IOException; public class PdfReader { public String getTextFromPdf(String filePath) { String text = ""; try { PDDocument document = PDDocument.load(new File(filePath)); PDFTextStripper stripper = new PDFTextStripper(); text = stripper.getText(document); document.close(); } catch (IOException e) { e.printStackTrace(); } return text; } } ``` 在`PdfReader`类中，我们创建了一个`getTextFromPdf`方法，它加载PDF文件，使用`PDFTextStripper`来提取文本，然后关闭文档。 总结： Java通过Apache POI库能够方便地读取和处理Word和Excel文档中的文本内容。对于PDF文档，可以使用PDFBox或其他专门处理PDF的库进行读取。这些库为开发者提供了强大的工具，使他们能够在Java应用程序中无缝地集成文档处理功能。