如何使用 Java 读取 Excel、"doc"、"docx"、"pdf" 和 "txt" 文件。
在 Java 开发中，我们经常需要读取不同类型的文件，包括 Excel 表格文件、"doc" 和 "docx" 文档文件、PDF 文件以及纯文本文件。
其中最常用的是 Apache POI 库。Apache POI 是一个流行的 Java 库，提供了许多 API 来读取和写入 Microsoft Office 文档，包括 Excel、Word 和 PowerPoint 等。
本文将介绍如何使用 Java 读取这些不同类型的文件。（本文的方法可供参考，还有其它方法读者自行查阅。）
1.举个栗子
以下是本人在开发过程中，读取"doc"、"docx"、"pdf" 和 "txt" 文件的代码例子，后面将详细解释。
txt文件读取不多说，用流读取。
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
//fileExtension文件后缀名
private String readFileContent(MultipartFile file, String fileExtension) throws IOException {
byte[] fileBytes = file.getBytes();
if (fileBytes.length == 0){
throw new BusinessException(ResultCodeEnum.FILE_CONTENT_IS_EMPTY);
}
switch (fileExtension) {
case "txt":
return new String(fileBytes, StandardCharsets.UTF_8);
case "pdf":
try (PDDocument doc = PDDocument.load(file.getInputStream())) {
PDFTextStripper textStripper = new PDFTextStripper();
return textStripper.getText(doc);
}
case "docx":
try (InputStream stream = file.getInputStream()) {
XWPFDocument xdoc = new XWPFDocument(stream);
XWPFWordExtractor extractor = new XWPFWordExtractor(xdoc);
return extractor.getText();
}
case "doc":
try (InputStream stream = file.getInputStream()) {
WordExtractor extractor = new WordExtractor(stream);
return extractor.getText();
}
default:
log.error("不支持的文件格式");
return null;
}
}
2.导入依赖包
<dependencies>
<!-- Apache POI 读取和写入 Microsoft Office 文档 -->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>5.0.0</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>5.0.0</version>
</dependency>
<!-- Apache PDFBox 处理 PDF 文件 -->
<dependency>
<groupId>org.apache.pdfbox</groupId>
<artifactId>pdfbox</artifactId>
<version>2.0.24</version>
</dependency>
<!-- Apache Tika 自动检测和提取元数据和文本内容 -->
<dependency>
<groupId>org.apache.tika</groupId>
<artifactId>tika-core</artifactId>
<version>2.1.0</version>
</dependency>
<!-- iText 处理 PDF 文件 -->
<dependency>
<groupId>com.itextpdf</groupId>
<artifactId>itextpdf</artifactId>
<version>5.5.13</version>
</dependency>
</dependencies>
1.读取pdf
读取 PDF 文件可以使用 Apache PDFBox 库。以下是一个示例代码，用于读取 PDF 文件的文本内容：
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import java.io.File;
import java.io.IOException;
public class PdfReaderExample {
public static void main(String[] args) {
try {
// 1. 加载 PDF 文档
File file = new File("path_to_your_pdf_file.pdf");
PDDocument document = PDDocument.load(file);
// 2. 创建 PDFTextStripper 对象，并提取文本内容
PDFTextStripper textStripper = new PDFTextStripper();
String content = textStripper.getText(document);
// 3. 输出文本内容
System.out.println(content);
// 4. 关闭 PDF 文档
document.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
请确保将 path_to_your_pdf_file.pdf 替换为实际的 PDF 文件路径。通过调用 PDDocument.load() 方法加载 PDF 文件，然后创建一个 PDFTextStripper 对象，并使用 getText() 方法提取文本内容。最后，使用 document.close() 方法关闭 PDF 文档。
PDDocument.load() 方法接受多种类型的参数来加载 PDF 文档。以下是常用的参数类型：
-
File 对象： 可以传递一个 java.io.File 对象，指向要加载的 PDF 文件。例如：
PDDocument.load(new File("path_to_your_pdf_file.pdf"))。 -
文件路径字符串： 可以直接传递一个字符串，表示要加载的 PDF 文件的路径。例如：
PDDocument.load("path_to_your_pdf_file.pdf")。 -
InputStream 对象： 可以传递一个
java.io.InputStream对象，从中读取 PDF 内容。例如：PDDocument.load(inputStream)。 -
RandomAccessRead 对象： 可以传递一个
org.apache.pdfbox.io.RandomAccessRead对象，用于随机访问和读取 PDF 内容。例如：PDDocument.load(randomAccessRead)。
使用不同的参数类型，可以根据你的需求来加载 PDF 文档。请注意，无论使用哪种方式，都需要正确处理可能抛出的 IOException 异常，并在使用完 PDDocument 对象后调用 close() 方法关闭文档以释放资源。
2.读取docx
读取 DOCX 文件，可以使用 Apache POI 库。
import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFParagraph;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
public class DocxReaderExample {
public static void main(String[] args) {
try {
// 1. 加载 DOCX 文档
File file = new File("path_to_your_docx_file.docx");
InputStream fis = new FileInputStream(file);
XWPFDocument document = new XWPFDocument(fis);
// 2. 提取文本内容
StringBuilder content = new StringBuilder();
for (XWPFParagraph paragraph : document.getParagraphs()) {
content.append(paragraph.getText());
content.append("\n");
}
// 3. 输出文本内容
System.out.println(content.toString());
// 4. 关闭 DOCX 文档
document.close();
fis.close();
} catch (IOException e) {
e.printStackTrace();
}
}
}
通过创建一个 FileInputStream 对象，并将其传递给 XWPFDocument 构造函数，来加载 DOCX 文件。然后，通过遍历文档中的段落，使用 getText() 方法提取文本内容，并将其存储在一个 StringBuilder 中。最后，输出文本内容。
提取文本内容，提供另外一种方法。
XWPFDocument document = new XWPFDocument(fis);
// 2. 提取文本内容
XWPFWordExtractor extractor = new XWPFWordExtractor(document);
String text = extractor.getText();
XWPFWordExtractor 是 Apache POI 库中的一个类，用于从 XWPFDocument 对象中提取文本。
然后，调用 getText() 方法，通过 extractor 对象提取文本内容。该方法会返回一个包含整个文档纯文本的字符串。
3.读取doc
读取 DOC（.doc）文件，可以使用 Apache POI 库中的 HWPF 模块
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.extractor.WordExtractor;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
public class DocTextExtractor {
public static String extractTextFromDoc(String filePath) {
try {
// 1. 加载 DOC 文档
File file = new File(filePath);
FileInputStream fis = new FileInputStream(file);
HWPFDocument document = new HWPFDocument(fis);
// 2. 提取文本内容
WordExtractor extractor = new WordExtractor(document);
String text = extractor.getText();
// 3. 关闭 DOC 文档和提取器
extractor.close();
document.close();
fis.close();
// 4. 返回提取的文本内容
return text;
} catch (IOException e) {
e.printStackTrace();
}
return null;
}
public static void main(String[] args) {
String filePath = "path_to_your_doc_file.doc";
String extractedText = extractTextFromDoc(filePath);
System.out.println(extractedText);
}
}
4.读取Excel
1.使用 Apache POI 库读取 Excel 文件
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import org.apache.poi.ss.usermodel.Cell;
import org.apache.poi.ss.usermodel.Row;
import org.apache.poi.ss.usermodel.Sheet;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;
public class ExcelReader {
public static void main(String[] args) throws IOException {
File file = new File("path/to/excel/file");
FileInputStream inputStream = new FileInputStream(file);
XSSFWorkbook workbook = new XSSFWorkbook(inputStream);
Sheet sheet = workbook.getSheetAt(0);
for (Row row : sheet) {
for (Cell cell : row) {
System.out.print(cell.toString() + "\t");
}
System.out.println();
}
workbook.close();
}
}
首先创建了一个 File 对象来表示要读取的 Excel 文件，然后创建了一个 FileInputStream 对象来读取文件。接着，我们使用 XSSFWorkbook 类创建了一个 workbook 对象来表示整个 Excel 文档，并获取了第一个工作表（即索引为 0 的工作表）。
在循环中，我们首先遍历每一行 (Row)，然后再遍历每一列 (Cell)。我们可以使用 cell.toString() 方法获取单元格的值，并打印出来。最后，我们调用 workbook.close() 方法关闭工作簿，释放资源。
2.使用easyExcel
EasyExcel 是一款开源的 Java Excel 操作工具，它提供了简单易用的 API 来读取、写入和操作 Excel 文件。
<dependency>
<groupId>com.alibaba</groupId>
<artifactId>easyexcel</artifactId>
<version>2.4.3</version>
</dependency>
读取excel文件
import com.alibaba.excel.EasyExcel;
import com.alibaba.excel.read.builder.ExcelReaderBuilder;
import com.alibaba.excel.read.listener.ReadListener;
public class ExcelReader {
public static void main(String[] args) {
String filePath = "path_to_your_excel_file.xlsx";
// 创建 Excel 读取器
ExcelReaderBuilder readerBuilder = EasyExcel.read(filePath);
// 注册读取监听器
ReadListener<Object> listener = new YourReadListener();
readerBuilder.registerReadListener(listener);
// 执行读取操作
readerBuilder.sheet().doRead();
}
}
通过 EasyExcel.read(filePath) 创建了一个 Excel 读取器，然后通过 registerReadListener() 方法注册了一个读取监听器，你需要自己实现一个 ReadListener 的子类，并在其中重写相应的方法来处理读取到的数据。最后，通过 sheet().doRead() 方法执行读取操作。
详细的使用说明和更多示例可以在 EasyExcel 的官方文档中找到：
https://easyexcel.opensource.alibaba.com/
