Java 读取 Excel、docx、pdf 和 txt 等文件万能方法!

qq_32885471 2024-09-10 12:35:01 阅读 64

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。

<code>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。



声明

本文内容仅代表作者观点,或转载于其他网站,本站不以此文作为商业用途
如有涉及侵权,请联系本站进行删除
转载本站原创文章,请注明来源及作者。