读取Doc，Excel，PDF，html,生成Txt文件，读取Txt生成Excel文件

packageoffice;

/**
*读取Doc，Excel，PDF，html,生成Txt文件，读取Txt生成Excel文件
*@authorJavaAlpha
*@date2011-8-1
*@versionV1.0
*/

importjava.io.BufferedReader;
importjava.io.File;
importjava.io.FileInputStream;
importjava.io.FileNotFoundException;
importjava.io.FileOutputStream;
importjava.io.FileReader;
importjava.io.IOException;
importjava.io.InputStream;
importjava.io.InputStreamReader;
importjava.io.OutputStreamWriter;
importjava.io.Writer;
importjava.net.MalformedURLException;
importjava.net.URL;
importjava.util.HashMap;
importjava.util.Iterator;
importjava.util.Map;
importjavax.swing.text.BadLocationException;
importjavax.swing.text.DefaultStyledDocument;
importjavax.swing.text.rtf.RTFEditorKit;
importorg.apache.poi.hssf.usermodel.HSSFCell;
importorg.apache.poi.hssf.usermodel.HSSFRow;
importorg.apache.poi.hssf.usermodel.HSSFSheet;
importorg.apache.poi.hssf.usermodel.HSSFWorkbook;
importorg.pdfbox.pdfparser.PDFParser;
importorg.pdfbox.pdmodel.PDDocument;
importorg.pdfbox.util.PDFTextStripper;
importorg.textmining.text.extraction.WordExtractor;

publicclassReadOffice{

	/**
	*@paramargs
	*/
	publicstaticvoidmain(String[]args){
		//readDoc("e:/1.doc");
		//readExcel("e:/1.xls");
		//readPDF("e:/1.pdf");
		//readHtml("e:/1.html");
		readHtmlAll("e:/1.html");
	}

	/**
	*创建TXT文件，写入文件内容
	*
	*@paramtext
	*/

	staticvoidcreateTXTAndWriteDoc(Stringtext,Stringpath){
		FileOutputStreamfos=null;
		FileOutputStreamout=null;
		try{
			//新建一输出文件流,如果文件存在先删除文件
			Filef=newFile(path);
			if(f.exists()){
				f.delete();
			}

			fos=newFileOutputStream(f);
			out=newFileOutputStream(f);
			byte[]b=text.getBytes("GB2312");
			out.write(b);
			out.flush();

			System.out.println("文件生成...");
		}catch(Exceptione){
			System.out.println("出现异常:"+e);
		}finally{
			try{
				if(null!=fos){
					fos.close();
				}
			}catch(IOExceptione){
				e.printStackTrace();
			}
			try{
				if(null!=out){
					out.close();
				}
			}catch(IOExceptione){
				e.printStackTrace();
			}
			fos=null;
			out=null;
		}
	}

	/**
	*读取DOC文件
	*
	*@paramdir
	*@throwsException
	*/
	staticvoidreadDoc(Stringdir){
		//创建输入流读取doc文件
		FileInputStreamin=null;
		WordExtractorextractor=null;
		Stringtext=null;
		try{
			in=newFileInputStream(newFile(dir));
			//创建WordExtractor
			extractor=newWordExtractor();
			//对doc文件进行提取
			text=extractor.extractText(in);
			System.out.println("text1:"+text);
		}catch(FileNotFoundExceptione){
			e.printStackTrace();
		}catch(Exceptione){
			e.printStackTrace();
		}finally{
			try{
				if(null!=in){
					in.close();
				}
			}catch(IOExceptione){
				e.printStackTrace();
			}
			in=null;
		}
		//写入文件内容
		createTXTAndWriteDoc(text,"e:/doc.txt");
	}

	/**
	*读取Excel文件
	*
	*@paramdir
	*/
	@SuppressWarnings("deprecation")
	staticvoidreadExcel(Stringdir){
		/**
		*@paramfilePath
		*文件路径
		*@return读出的Excel的内容
		*/
		StringBufferbuff=newStringBuffer();
		try{
			//创建对Excel工作簿文件的引用
			HSSFWorkbookwb=newHSSFWorkbook(newFileInputStream(dir));
			//创建对工作表的引用。
			for(intnumSheets=0;numSheets<wb.getNumberOfSheets();numSheets++){
				if(null!=wb.getSheetAt(numSheets)){
					HSSFSheetaSheet=wb.getSheetAt(numSheets);//获得一个sheet
					for(introwNumOfSheet=0;rowNumOfSheet<=aSheet.getLastRowNum();rowNumOfSheet++){
						if(null!=aSheet.getRow(rowNumOfSheet)){
							HSSFRowaRow=aSheet.getRow(rowNumOfSheet);//获得一个行
							for(intcellNumOfRow=0;cellNumOfRow<=aRow.getLastCellNum();cellNumOfRow++){
								if(null!=aRow.getCell((short)cellNumOfRow)){
									HSSFCellaCell=aRow.getCell((short)cellNumOfRow);//获得列值
									switch(aCell.getCellType()){
									caseHSSFCell.CELL_TYPE_FORMULA:
										break;
									caseHSSFCell.CELL_TYPE_NUMERIC:
										buff.append(aCell.getNumericCellValue()).append('');
										break;
									caseHSSFCell.CELL_TYPE_STRING:
										buff.append(aCell.getStringCellValue()).append('');
										break;
									}
								}
							}
							buff.append('');
						}
					}
				}
			}
		}catch(FileNotFoundExceptione){
			e.printStackTrace();
		}catch(IOExceptione){
			e.printStackTrace();
		}
		//写入文件内容
		createTXTAndWriteDoc(buff.toString(),"e:/excel.txt");
	}

	/**
	*读取Powerpoint文件
	*
	*@paramdir
	*/
	staticvoidreadPPT(Stringdir){

	}

	/**
	*读取PDF文件
	*
	*@paramdir
	*/
	staticvoidreadPDF(Stringdir){
		Stringresult=null;
		FileInputStreamis=null;
		PDDocumentdocument=null;
		try{
			is=newFileInputStream(dir);
			PDFParserparser=newPDFParser(is);
			parser.parse();
			document=parser.getPDDocument();
			PDFTextStripperstripper=newPDFTextStripper();
			result=stripper.getText(document);
		}catch(FileNotFoundExceptione){
			e.printStackTrace();
		}catch(IOExceptione){
			e.printStackTrace();
		}finally{
			if(null!=is){
				try{
					is.close();
				}catch(IOExceptione){
					e.printStackTrace();
				}
			}
			if(null!=document){
				try{
					document.close();
				}catch(IOExceptione){
					e.printStackTrace();
				}
			}
		}
		//写入文件内容
		createTXTAndWriteDoc(result,"e:/pdf.txt");
	}

	/**
	*//读取pdf文件
	*
	*@paramfile
	*@throwsException
	*/
	publicvoidreadPdf(Stringfile)throwsException{
		//是否排序
		booleansort=false;
		//pdf文件名
		StringpdfFile=file;
		//输入文本文件名称
		StringtextFile=null;
		//编码方式
		Stringencoding="GB2312";
		//开始提取页数
		intstartPage=1;
		//结束提取页数
		intendPage=Integer.MAX_VALUE;
		//文件输入流，生成文本文件
		Writeroutput=null;
		//内存中存储的PDFDocument
		PDDocumentdocument=null;
		try{
			try{
				//首先当作一个URL来装载文件，如果得到异常再从本地文件系统//去装载文件
				URLurl=newURL(pdfFile);//注意参数已不是以前版本中的URL.而是File。
				document=PDDocument.load(pdfFile);
				//获取PDF的文件名
				StringfileName=url.getFile();
				//以原来PDF的名称来命名新产生的txt文件
				if(fileName.length()>4){
					FileoutputFile=newFile(fileName.substring(0,fileName.length()-4)+".txt");
					textFile=outputFile.getName();
				}
			}catch(MalformedURLExceptione){
				//如果作为URL装载得到异常则从文件系统装载//注意参数已不是以前版本中的URL.而是File。
				document=PDDocument.load(pdfFile);
				if(pdfFile.length()>4){
					textFile=pdfFile.substring(0,pdfFile.length()-4)+".txt";
				}
			}
			//文件输入流，写入文件倒textFile
			output=newOutputStreamWriter(newFileOutputStream(textFile),encoding);
			//PDFTextStripper来提取文本
			PDFTextStripperstripper=null;
			stripper=newPDFTextStripper();
			//设置是否排序
			stripper.setSortByPosition(sort);
			//设置起始页
			stripper.setStartPage(startPage);
			//设置结束页
			System.out.print(stripper.getText(document));
			stripper.setEndPage(endPage);
			//调用PDFTextStripper的writeText提取并输出文本
			stripper.writeText(document,output);
		}finally{
			if(output!=null){
				//关闭输出流
				output.close();
			}
			if(document!=null){
				//关闭PDFDocument
				document.close();
			}
		}
	}

	/**
	*读取Txt文件
	*
	*@paramfilePath
	*@return
	*@throwsException
	*/
	publicStringgetTextFromTxt(StringfilePath)throwsException{
		FileReaderfr=newFileReader(filePath);
		BufferedReaderbr=newBufferedReader(fr);
		StringBufferbuff=newStringBuffer();
		Stringtemp=null;
		while((temp=br.readLine())!=null){
			buff.append(temp+"");
		}
		br.close();
		returnbuff.toString();
	}

	/**
	*读取RTF文件内容
	*
	*@paramfilePath
	*@return
	*/
	publicStringgetTextFromRtf(StringfilePath){
		Stringresult=null;
		Filefile=newFile(filePath);
		try{
			DefaultStyledDocumentstyledDoc=newDefaultStyledDocument();
			InputStreamis=newFileInputStream(file);
			newRTFEditorKit().read(is,styledDoc,0);
			result=newString(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(IOExceptione){
			e.printStackTrace();
		}catch(BadLocationExceptione){
			e.printStackTrace();
		}
		returnresult;
	}

	/**
	*@paramfilePath
	*文件路径
	*@return获得html的全部内容
	*/

	publicstaticStringreadHtml(StringfilePath){
		BufferedReaderbr=null;
		StringBuffersb=newStringBuffer();
		try{
			br=newBufferedReader(newInputStreamReader(newFileInputStream(filePath),"GB2312"));
			Stringtemp=null;
			while((temp=br.readLine())!=null){
				sb.append(temp);
			}
		}catch(FileNotFoundExceptione){
			e.printStackTrace();
		}catch(IOExceptione){
			e.printStackTrace();
		}
		//写入文件内容
		createTXTAndWriteDoc(sb.toString(),"e:/html.txt");
		returnsb.toString();
	}

	/**
	*@paramfilePath
	*文件路径
	*@return获得的html文本内容
	*/
	publicstaticvoidreadHtmlAll(StringfilePath){
		//得到body标签中的内容
		Stringstr=readHtml(filePath);
		StringBufferbuff=newStringBuffer();
		intmaxindex=str.length()-1;
		intbegin=0;
		intend;
		//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;
		}
		//写入文件内容
		createTXTAndWriteDoc(buff.toString(),"e:/htmlAll.txt");
		//returnbuff.toString();
	}

	/**
	*以行为单位读取文件（文本文件）
	*
	*@paramfilePath
	*/
	publicstaticvoidreadFileByLine(StringfilePath){
		Filefile=newFile(filePath);
		BufferedReaderbd=null;
		Map<String,String>str=newHashMap<String,String>();
		Strings1="";
		Strings2="";

		try{
			bd=newBufferedReader(newInputStreamReader(newFileInputStream(file),"gb2312"));//编码转换（关键的地方）

			Stringtemp="";
			intline=1;
			while((temp=bd.readLine())!=null){
				if(temp.length()>0){
					s1=temp.substring(0,3);
					s1=s1.trim();
					s2=temp.substring(4);
					s2=s2.trim();
					str.put(s1,s2);
				}
				++line;
			}
			createExcel(str);

		}catch(FileNotFoundExceptione){
			e.printStackTrace();
		}catch(IOExceptione){
			e.printStackTrace();
		}finally{
			try{
				if(bd!=null)
					bd.close();
			}catch(IOExceptione){
				e.printStackTrace();
			}
		}
	}

	/**
	*输出Excel文件，输出格式为多行两列
	*
	*@parammap
	*/
	@SuppressWarnings({"deprecation","unchecked"})
	staticvoidcreateExcel(Map<String,String>map){
		try{
			//新建一输出文件流
			FileOutputStreamfOut=newFileOutputStream("e:/2.xls");
			Filefile=newFile("e:/2.xls");
			if(file.exists()){
				file.delete();
			}
			//创建新的Excel工作簿
			HSSFWorkbookworkbook=newHSSFWorkbook();
			//在Excel工作簿中建一工作表，其名为缺省值
			//如要新建一名为"联系人用户名和电话"的工作表，其语句为：
			HSSFSheetsheet=workbook.createSheet("联系人用户名和电话");
			HSSFRowrow=null;
			//在索引0的位置创建单元格（左上端）
			HSSFCellcell1=null;
			HSSFCellcell2=null;

			Iteratoriter=map.entrySet().iterator();
			inti=0;

			while(iter.hasNext()){
				Map.Entryentry=(Map.Entry)iter.next();
				Objectkey=entry.getKey();
				Objectval=entry.getValue();
				row=sheet.createRow((short)i++);
				cell1=row.createCell((short)0);
				cell2=row.createCell((short)1);
				//定义单元格为字符串类型
				cell1.setCellType(HSSFCell.CELL_TYPE_STRING);
				cell2.setCellType(HSSFCell.CELL_TYPE_STRING);

				//在单元格中输入一些内容
				cell1.setCellValue(key.toString());
				cell2.setCellValue(val.toString());

				if(i>255){
					break;
				}
			}

			//把相应的Excel工作簿存盘
			workbook.write(fOut);
			fOut.flush();
			//操作结束，关闭文件
			fOut.close();
			System.out.println("文件生成...");

		}catch(Exceptione){
			System.out.println("出现异常:"+e);
		}
	}
}