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

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。

  点击这里 查看相关控件的下载地址和配置方法。

 
 

  WORD

Java代码

package textReader;   
import java.io.*;   
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

Java代码

package textReader;   
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")   
    /**  
     * @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');   
                    }   
    
d69a
            }                                         
            }              
        }   
        } catch (FileNotFoundException e) {   
            e.printStackTrace();   
        } catch (IOException e) {   
            e.printStackTrace();   
        }   
        return buff.toString();   
    }               
}  

 

  PDF  

Java代码

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

Java代码

package textReader;   
import java.io.*;   
  
  
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

Java代码

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

Java代码

package textReader;   
import java.io.*;   
  
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();   
    }   
  
}  

 

  注意 ：若使用WPS编辑相关文档，会有错误提示，应避免。

  错误文本提示如下：

WORD

Your document seemed to be mostly unicode, but the section definition was in bytes! Trying anyway, but things may well go wrong!

EXCEL

java.lang.RuntimeException: Expected an EXTERNSHEET record but got (org.apache.poi.hssf.record.SSTRecord)

    at org.apache.poi.hssf.model.LinkTable.readExtSheetRecord(LinkTable.java:187)

    at org.apache.poi.hssf.model.LinkTable.<init>(LinkTable.java:163)

    at org.apache.poi.hssf.model.Workbook.createWorkbook(Workbook.java:199)

    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:273)

    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:196)

    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:312)

    at org.apache.poi.hssf.usermodel.HSSFWorkbook.<init>(HSSFWorkbook.java:293)

    at textReader.ExcelReader.getTextFromExcel(ExcelReader.java:23)

    at DocumentInfo.getContent(DocumentInfo.java:86)

    at MainFunction.main(MainFunction.java:19)

RTF

java.io.IOException: Too many close-groups in RTF text

    at javax.swing.text.rtf.RTFParser.write(Unknown Source)

    at javax.swing.text.rtf.RTFParser.writeSpecial(Unknown Source)

    at javax.swing.text.rtf.AbstractFilter.write(Unknown Source)

    at javax.swing.text.rtf.AbstractFilter.readFromStream(Unknown Source)

    at javax.swing.text.rtf.RTFEditorKit.read(Unknown Source)

    at textReader.RtfReader.getTextFromRtf(RtfReader.java:25)

    at DocumentInfo.getContent(DocumentInfo.java:74)

    at MainFunction.main(MainFunction.java:19)

BODY { FONT-FAMILY:Tahoma; FONT-SIZE:10pt } P { FONT-FAMILY:Tahoma; FONT-SIZE:10pt } DIV { FONT-FAMILY:Tahoma; FONT-SIZE:10pt } TD { FONT-FAMILY:Tahoma; FONT-SIZE:10pt }   顺便说一下，这里为什么会在write出错呢？因为 level是根据{和}来进行自增和自减的，当括号不匹配的时候就会提示该错误。 wps编辑rtf文件在格式上出了问题，{和}不匹配。 但用word或写字板下新建文件，编辑后另存为rtf文件（wps下不支持），用记事本打开可以发现添加了很多格式说明，但是{和}是匹配的，这样才不会报错。下面是具体说明：

http://www.chinaitpower.com/source/jdk122/javax/swing/text/rtf/RTFParser.java.html