Java POI 讀取word文件

Apache POI是Apache軟件基金會的開放源碼函式庫，POI提供API給Java程序對Microsoft Office格式檔案讀和寫的功能。

1.讀取word 2003及word 2007需要的jar包

　　讀取 2003 版本(.doc)的word文件相對來說比較簡單，只需要 poi-3.5-beta6-20090622.jar 和 poi-scratchpad-3.5-beta6-20090622.jar 兩個 jar 包即可， 而 2007 版本(.docx)就麻煩多，我說的這個麻煩不是我們寫代碼的時候麻煩，是要導入的 jar 包比較的多，有如下 7 個之多：
 1. openxml4j-bin-beta.jar
 2. poi-3.5-beta6-20090622.jar
 3. poi-ooxml-3.5-beta6-20090622.jar
 4 .dom4j-1.6.1.jar
 5. geronimo-stax-api_1.0_spec-1.0.jar
 6. ooxml-schemas-1.0.jar
 7. xmlbeans-2.3.0.jar
其中 4-7 是 poi-ooxml-3.5-beta6-20090622.jar 所依賴的 jar 包（在 poi-bin-3.5-beta6-20090622.tar.gz 中的 ooxml-lib 目錄下可以找到）。

2.換行符號

　　硬換行：文件中換行，如果是鍵盤中使用了"enter"的換行。

　　軟換行：文件中一行的字符數容量有限，當字符數量超過一定值時，會自動切到下行顯示。

　　對程序來說，硬換行才是可以識別的、確定的換行，軟換行與字體大小、縮進有關。

3.讀取的注意事項

　　值得注意的是： POI 在讀取不會讀取 word 文件中的圖片信息； 還有就是對於 2007 版的 word(.docx), 如果 word 文件中有表格，所有表格中的數據都會在讀取出來的字符串的最后。

4.讀取word文本內容代碼

import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;

import org.apache.poi.POIXMLDocument;
import org.apache.poi.POIXMLTextExtractor;
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.openxml4j.opc.OPCPackage;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;

public class Test {
    public static void main(String[] args) {
        try {
            InputStream is = new FileInputStream(new File("2003.doc"));
            WordExtractor ex = new WordExtractor(is);
            String text2003 = ex.getText();
            System.out.println(text2003);

            OPCPackage opcPackage = POIXMLDocument.openPackage("2007.docx");
            POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
            String text2007 = extractor.getText();
            System.out.println(text2007);
            
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

 

轉自：http://blog.csdn.net/hemingwang0902/article/details/4381598