JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
2015-05-13 08:52
1551 查看
来自:http://blog.csdn.net/zlb824/article/details/7020191
以下是Java对几种文本文件内容读取代码。其中,OFFICE文档(WORD,EXCEL)使用了POI控件,PDF使用了PDFBOX控件。
WORD:
EXCEL:
PDF::
package textReader;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfReader {
public PdfReader() {
}
/**
* @param filePath
* 文件路径
* @return 读出的pdf的内容
*/
public String getTextFromPdf(String filePath) {
String result = null;
FileInputStream is = null;
PDDocument document = null;
try {
is = new FileInputStream(filePath);
PDFParser parser = new PDFParser(is);
parser.parse();
document = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper();
result = stripper.getText(document);
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} finally {
if (is != null) {
try {
is.close();
} catch (IOException e) {
e.printStackTrace();
}
}
if (document != null) {
try {
document.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
return result;
}
}
TXT:
package textReader;
import java.io.BufferedReader;
import java.io.FileReader;
public class TxtReader {
public TxtReader() {
}
/**
* @param filePath
* 文件路径
* @return 读出的txt的内容
*/
public String getTextFromTxt(String filePath) throws Exception {
FileReader fr = new FileReader(filePath);
BufferedReader br = new BufferedReader(fr);
StringBuffer buff = new StringBuffer();
String temp = null;
while ((temp = br.readLine()) != null) {
buff.append(temp + "\r\n");
}
br.close();
return buff.toString();
}
}
RTF:
package textReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import javax.swing.text.BadLocationException;
import javax.swing.text.DefaultStyledDocument;
import javax.swing.text.rtf.RTFEditorKit;
public class RtfReader {
public RtfReader() {
}
/**
* @param filePath
* 文件路径
* @return 读出的rtf的内容
*/
public String getTextFromRtf(String filePath) {
String result = null;
File file = new File(filePath);
try {
DefaultStyledDocument styledDoc = new DefaultStyledDocument();
InputStream is = new FileInputStream(file);
new RTFEditorKit().read(is, styledDoc, 0);
result = new String(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 (IOException e) {
e.printStackTrace();
} catch (BadLocationException e) {
e.printStackTrace();
}
return result;
}
}
HTML:
package textReader;
import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
public class HtmlReader {
public HtmlReader() {
}
/**
* @param filePath
* 文件路径
* @return 获得html的全部内容
*/
public String readHtml(String filePath) {
BufferedReader br = null;
StringBuffer sb = new StringBuffer();
try {
br = new BufferedReader(new InputStreamReader(new FileInputStream(
filePath), "GB2312"));
String temp = null;
while ((temp = br.readLine()) != null) {
sb.append(temp);
}
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return sb.toString();
}
/**
* @param filePath
* 文件路径
* @return 获得的html文本内容
*/
public String getTextFromHtml(String filePath) {
// 得到body标签中的内容
String str = readHtml(filePath);
StringBuffer buff = new StringBuffer();
int maxindex = str.length() - 1;
int begin = 0;
int end;
// 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;
}
;
return buff.toString();
}
}
相关控件的下载地址和配置方法:
一、POI
POI是Apache的Jakata项目,POI 代表 Poor Obfuscation Implementation,即不良模糊化实现。POI 的目标就是提供一组 Java API 来使得基于 Microsoft OLE 2 Compound Document 格式的 Microsoft Office 文件易于操作。
下载地址 :http://apache.etoak.com/poi/release/bin/
相关配置 :
(1) 把下载的 poi-bin-3.5-FINAL-20090928.tar.gz 解压。
(2) 将以下四个jar包拷入项目的lib文件夹下(如还未建立lib目录,则先创建一个, 不一定要是这个位置,只要classpath能找到jar就可以)。
poi-3.5-FINAL-20090928.jar
poi-contrib-3.5-FINAL-20090928.jar
poi-ooxml-3.5-FINAL-20090928.jar
poi-scratchpad-3.5-FINAL-20090928.jar
(3) 在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令进行添加。
(4)在Order and Export标签页勾选库文件。
二、PDFBOX
PDFBOX是一个为开发人员读取和创建PDF文档而准备的纯Java类库。
下载地址:http://sourceforge.net/projects/pdfbox/
相关配置:
(1)把下载的 PDFBox-0.7.3.zip 解压
(2)进入external目录,这里包括了PDFBox所有用到的外部包。复制以下Jar包到工程lib目录下
bcmail-jdk14-132.jar
bcprov-jdk14-132.jar
checkstyle-all-4.2.jar
FontBox-0.1.0-dev.jar
lucene-core-2.0.0.jar
(3)然后再从PDFBox的lib目录下,复制PDFBox-0.7.3.jar到工程的lib目录下
(4)在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->A5dd Jars”命令,把工程lib目录下面的包都加入工程的Build Path。
( 5 )在Order and Export标签页勾选库文件。
三、JDOM
JDOM是一个开源项目,它基于树型结构,利用纯JAVA的技术对XML文档实现解析、生成、序列化以及多种操作。
下载地址 : http://www.jdom.org/downloads/index.html
相关配置 :
(1)把下载的jdom-1.1.1.tar.gz 解压
(2) 进入build目录 ,把jdom.jar 拷入项目的lib文件夹下
(3) 在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令进行添加。
(4)在Order and Export标签页勾选库文件。
以下是Java对几种文本文件内容读取代码。其中,OFFICE文档(WORD,EXCEL)使用了POI控件,PDF使用了PDFBOX控件。
WORD:
package textReader; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import org.apache.poi.hwpf.extractor.WordExtractor; public class WordReader { public WordReader() { } /** * @param filePath * 文件路径 * @return 读出的Word的内容 */ 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; } }
EXCEL:
package textReader; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import org.apache.poi.hssf.usermodel.HSSFCell; import org.apache.poi.hssf.usermodel.HSSFRow; import org.apache.poi.hssf.usermodel.HSSFSheet; import org.apache.poi.hssf.usermodel.HSSFWorkbook; public class ExcelReader { /* * @param filePath 文件路径 * * @return 读出的Excel的内容 */ public String getTextFromExcel(String filePath) { StringBuffer buff = new StringBuffer(); try { // 创建对Excel工作簿文件的引用 HSSFWorkbook wb = new HSSFWorkbook(new FileInputStream(filePath)); // 创建对工作表的引用。 for (int numSheets = 0; numSheets < wb.getNumberOfSheets(); numSheets++) { if (null != wb.getSheetAt(numSheets)) { HSSFSheet aSheet = wb.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 (int cellNumOfRow = 0; cellNumOfRow <= aRow .getLastCellNum(); cellNumOfRow++) { if (null != aRow.getCell(cellNumOfRow)) { HSSFCell aCell = aRow.getCell(cellNumOfRow);// 获得列值 switch (aCell.getCellType()) { case HSSFCell.CELL_TYPE_FORMULA: break; case HSSFCell.CELL_TYPE_NUMERIC: buff.append(aCell.getNumericCellValue()).append('\t'); break; case HSSFCell.CELL_TYPE_STRING: buff.append(aCell.getStringCellValue()).append('\t'); break; } } } buff.append('\n'); } } } } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } return buff.toString(); } }
PDF::
package textReader;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;
public class PdfReader {
public PdfReader() {
}
/**
* @param filePath
* 文件路径
* @return 读出的pdf的内容
*/
public String getTextFromPdf(String filePath) {
String result = null;
FileInputStream is = null;
PDDocument document = null;
try {
is = new FileInputStream(filePath);
PDFParser parser = new PDFParser(is);
parser.parse();
document = parser.getPDDocument();
PDFTextStripper stripper = new PDFTextStripper();
result = stripper.getText(document);
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
} finally {
if (is != null) {
try {
is.close();
} catch (IOException e) {
e.printStackTrace();
}
}
if (document != null) {
try {
document.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
return result;
}
}
TXT:
package textReader;
import java.io.BufferedReader;
import java.io.FileReader;
public class TxtReader {
public TxtReader() {
}
/**
* @param filePath
* 文件路径
* @return 读出的txt的内容
*/
public String getTextFromTxt(String filePath) throws Exception {
FileReader fr = new FileReader(filePath);
BufferedReader br = new BufferedReader(fr);
StringBuffer buff = new StringBuffer();
String temp = null;
while ((temp = br.readLine()) != null) {
buff.append(temp + "\r\n");
}
br.close();
return buff.toString();
}
}
RTF:
package textReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import javax.swing.text.BadLocationException;
import javax.swing.text.DefaultStyledDocument;
import javax.swing.text.rtf.RTFEditorKit;
public class RtfReader {
public RtfReader() {
}
/**
* @param filePath
* 文件路径
* @return 读出的rtf的内容
*/
public String getTextFromRtf(String filePath) {
String result = null;
File file = new File(filePath);
try {
DefaultStyledDocument styledDoc = new DefaultStyledDocument();
InputStream is = new FileInputStream(file);
new RTFEditorKit().read(is, styledDoc, 0);
result = new String(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 (IOException e) {
e.printStackTrace();
} catch (BadLocationException e) {
e.printStackTrace();
}
return result;
}
}
HTML:
package textReader;
import java.io.BufferedReader;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
public class HtmlReader {
public HtmlReader() {
}
/**
* @param filePath
* 文件路径
* @return 获得html的全部内容
*/
public String readHtml(String filePath) {
BufferedReader br = null;
StringBuffer sb = new StringBuffer();
try {
br = new BufferedReader(new InputStreamReader(new FileInputStream(
filePath), "GB2312"));
String temp = null;
while ((temp = br.readLine()) != null) {
sb.append(temp);
}
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return sb.toString();
}
/**
* @param filePath
* 文件路径
* @return 获得的html文本内容
*/
public String getTextFromHtml(String filePath) {
// 得到body标签中的内容
String str = readHtml(filePath);
StringBuffer buff = new StringBuffer();
int maxindex = str.length() - 1;
int begin = 0;
int end;
// 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;
}
;
return buff.toString();
}
}
相关控件的下载地址和配置方法:
一、POI
POI是Apache的Jakata项目,POI 代表 Poor Obfuscation Implementation,即不良模糊化实现。POI 的目标就是提供一组 Java API 来使得基于 Microsoft OLE 2 Compound Document 格式的 Microsoft Office 文件易于操作。
下载地址 :http://apache.etoak.com/poi/release/bin/
相关配置 :
(1) 把下载的 poi-bin-3.5-FINAL-20090928.tar.gz 解压。
(2) 将以下四个jar包拷入项目的lib文件夹下(如还未建立lib目录,则先创建一个, 不一定要是这个位置,只要classpath能找到jar就可以)。
poi-3.5-FINAL-20090928.jar
poi-contrib-3.5-FINAL-20090928.jar
poi-ooxml-3.5-FINAL-20090928.jar
poi-scratchpad-3.5-FINAL-20090928.jar
(3) 在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令进行添加。
(4)在Order and Export标签页勾选库文件。
二、PDFBOX
PDFBOX是一个为开发人员读取和创建PDF文档而准备的纯Java类库。
下载地址:http://sourceforge.net/projects/pdfbox/
相关配置:
(1)把下载的 PDFBox-0.7.3.zip 解压
(2)进入external目录,这里包括了PDFBox所有用到的外部包。复制以下Jar包到工程lib目录下
bcmail-jdk14-132.jar
bcprov-jdk14-132.jar
checkstyle-all-4.2.jar
FontBox-0.1.0-dev.jar
lucene-core-2.0.0.jar
(3)然后再从PDFBox的lib目录下,复制PDFBox-0.7.3.jar到工程的lib目录下
(4)在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->A5dd Jars”命令,把工程lib目录下面的包都加入工程的Build Path。
( 5 )在Order and Export标签页勾选库文件。
三、JDOM
JDOM是一个开源项目,它基于树型结构,利用纯JAVA的技术对XML文档实现解析、生成、序列化以及多种操作。
下载地址 : http://www.jdom.org/downloads/index.html
相关配置 :
(1)把下载的jdom-1.1.1.tar.gz 解压
(2) 进入build目录 ,把jdom.jar 拷入项目的lib文件夹下
(3) 在工程上单击右键,在弹出的快捷菜单中选择“Build Path->Config Build Path->Add Jars”命令进行添加。
(4)在Order and Export标签页勾选库文件。
相关文章推荐
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例 .
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法
- JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法
- java实现爬虫技术,读取txt,word,excel,ppt,pdf,html等格式的文件
- java实现爬虫技术,读取txt,word,excel,ppt,pdf,html等格式的文件
- JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法
- java操作office和pdf文件:读取word,excel和pdf文档内容
- java操作office和pdf文件java读取word,excel和pdf文档内容
- JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法
- PDF文件转化成word,ppt,excel,图片(png,jpg...),tiff,rtf,txt,html,PDF组合,PDF编辑,PDF创建
- JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法
- JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法