JAVA读取WORD,EXCEL,PDF,TXT,RTF,HTML文件文本内容的方法示例

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:

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。