使用Apache POI抽取OFFICE文本(DOC, DOCX, XLS, XLSX,.doc

使用Apache POI抽取OFFICE文本（DOC, DOCX, XLS, XLSX, PPT, PPTX）Desktop Search开发笔记【经验积累】时间2013-09-22 09:17:53 CSDN博客 相似文章 (0) 原文 /harryhuang1990/article/details/11888561 为了对文件内容进行索引，必须先抽取出文件中文本。我们使用Apache POI提供的API来抽取office文件（DOC, DOCX, XLS, XLSX, PPT, PPTX）中的文本。很多人在文件使用开源API的时候都很纳闷，Javadocs那么大，我要的API在到底在那个类里边。即使找到了也不明白这么多构造函数该用哪个创建想要的对象。本文给大家讲一下POI中我们该如何创建抽取（DOC, DOCX, XLS, XLSX, PPT, PPTX）的对象。 下载Apache POI（ /download.html#POI-3.10-beta2 ） 把下面5个jar包和两个lib文件夹中的jar导入项目classpathpoi-3.10-beta1-20130628.jarpoi-excelant-3.10-beta1-20130628.jarpoi-ooxml-3.10-beta1-20130628.jarpoi-ooxml-schemas-3.10-beta1-20130628.jarpoi-scratchpad-3.10-beta1-20130628.jar/lib/ooxml-libDOC org.apache.poi.hwpf.extractor.WordExtractor 这个类只能处理word 2003文档(.doc) (1) 使用ExtractorFactory.createExtractor(InputStream) 创建抽取对象，返回的是公共接口对象，因此强制转换 InputStream fis = new FileInputStream(filePath); WorderExtractor extractor = (WordExtractor) ExtractorFactory.createExtractor(fis); (2) 使用WordExtractor创建抽取对象 介绍一下最后两种： 最后第二种接收InputStream来创建对象； 最后一种接收POIFSFileSystem来创建对象: POIFSFileSystem也接收InputStream来接收对象。 回过头来看看最后第三个构造函数，接收HWPFDocument来创建对象； 而HWPFDDocument通过接收InputStream或者POIFSFileSystem来创建对象。 DOCX org.apache.poi.POITextExtractor org.apache.poi.POIXMLTextExtractor org.apache.poi.xwpf.extractor.XWPFWordExtractor 这个类能够处理excel2007+(.docx) （1）该类对象的父类可以使用ExtratorFactory生成，但需要接收的参数是个virtual 对象OPCPackage，该对象不好确定。因此我们直接使用（2）中的方法创建对象 （2）新建XWPFWordExtractor对象 我们使用第二个构造函数，通过接收XWPFDocument对象来创建 XWPFDocument可以接收inputStream对象。 XLS org.apache.poi.hssf.extractor.ExcelExtractor 这个类只能处理excel 2003(.xls) （1）同DOC，通过ExtractorFactory创建 （2）新建ExcelExtractor对象 1）同DOC，通过接收POIFSFileSystem来创建对象 2）通过接收HSSFWorkbook来创建对象 HSSFWorkbook对象可以通过接收POIFSFileSystem或者InputStream对象来创建 样例代码： InputStream inp = new FileInputStream(this.filePath);HSSFWorkbook wb = new HSSFWorkbook(new POIFSFileSystem(inp);extractor = new ExcelExtractor(wb);/filter formulas from the resultsthis.extractor.setFormulasNotResults(true);/filter Sheet name from the resultsthis.extractor.setIncludeSheetNames(false);content = this.extractor.getText();XLSX org.apache.poi.POITextExtractor org.apache.poi.POIXMLTextExtractor 直接新建XSSFExcelExtractor对象： 通过接收XSSFWorkbook对象来创建： 发现XSSFWorkbook可以接收inputStream对象 PPT org.apache.poi.hslf.extractor.PowerPointExtractor （1）同DOC，用ExtractorFactory创建对象 （2）直接使用PowerPointExtractor创建对象 通过接收HSLFSlideShow对象、POIFSFileSystem对象或文件名即可创建。 PPTX org.apache.poi.POITextExtractor org.apache.poi.POIXMLTextExtractor 同XLSX，