使用Apache POI抽取OFFICE文本(DOC, DOCX, XLS, XLSX, PPT, PPTX).docVIP

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 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classpath poi-3.10-beta1jar poi-excelant-3.10-beta1jar poi-ooxml-3.10-beta1jar poi-ooxml-schemas-3.10-beta1jar poi-scratchpad-3.10-beta1jar /lib /ooxml-lib DOC 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Ex