使用POI来处理Excel和Word文件格式 - 图文

7.3 使用POI来处理Excel和Word文件格式 Microsoft的Office系列产品拥有大量的用户，Word、Excel也成为办公文件的首选。在Java中，已经有很多对于Word、Excel的开源的解决方案，其中比较出色的是Apache的Jakata项目的POI子项目。该项目的官方网站是http://jakarta.apache.org/poi/。 POI包括一系列的API，它们可以操作基于MicroSoft OLE 2 Compound Document Format的各种格式文件，可以通过这些API在Java中读写Excel、Word等文件。POI是完全的Java Excel和Java Word解决方案。POI子项目包括：POIFS、HSSF、HDF、HPSF。表7-2对它们进行了简要介绍。 表7-2 POI子项目介绍 子项目名 POIFS(POI File System) 说明 POIFS是POI项目中最早的最基础的一个模块，是Java到OLE 2 Compound Document Format的接口，支持读写功能，所有的其他项目都依赖与该项目。 HSSF(Horrible Spreadsheet Format) HWPF(Horrible Word Processing Format) HPSF(Horrible Property Set Format) HSSF是Java到Microsoft Excel 97(-2002)文件的接口，支持读写功能 HWPF是Java到Microsoft Word 97文件的接口，支持读写功能，但目前该模块还处于刚开始开发阶段，只能实现一些简单文件的操作，在后续版本中，会提供更强大的支持 HPSF 是Java到OLE 2 Compound Document Format文件的属性设置的接口，属性设置通常用来设置文档的属性（标题，作者，最后修改日期等），还可以设置用户定义的属性。HPSF支持读写功能，当前发布版本中直支持读功能。 7.3.1 对Excel的处理类 下面通过HSSF提供的接口对Excel文件经行处理。首先需要下载POI的包，可以到apache的官方网站下载，地址为：http://apache.justdn.org/jakarta/poi/，本书采用的是poi-2.5.1-final-20040804.jar，读者可以下载当前的稳定版本。把下载的包按照前面介绍的方式加入Build Path，然后新建一个ch7.poi包，并创建一个ExcelReader类。 ExcelReader类可以读取一个XLS文件，然后将其内容逐行提取出来，写入文本文件。其代码如下。 代码7.6 public class ExcelReader { // 创建文件输入流 private BufferedReader reader = null; // 文件类型 private String filetype; // 文件二进制输入流

private InputStream is = null; // 当前的Sheet private int currSheet; // 当前位置

private int currPosition; // Sheet数量

private int numOfSheets; // HSSFWorkbook

HSSFWorkbook workbook = null; // 设置Cell之间以空格分割

private static String EXCEL_LINE_DELIMITER = \\ // 设置最大列数

private static int MAX_EXCEL_COLUMNS = 64; // 构造函数创建一个ExcelReader

public ExcelReader(String inputfile) throws IOException, Exception { // 判断参数是否为空或没有意义

if (inputfile == null || inputfile.trim().equals(\{ throw new IOException(\input file specified\ }

// 取得文件名的后缀名赋值给filetype

this.filetype = inputfile.substring(inputfile.lastIndexOf(\+ 1); // 设置开始行为0 currPosition = 0; // 设置当前位置为0 currSheet = 0; // 创建文件输入流

is = new FileInputStream(inputfile);

// 判断文件格式

if (filetype.equalsIgnoreCase(\{

// 如果是txt则直接创建BufferedReader读取

reader = new BufferedReader(new InputStreamReader(is)); }

else if (filetype.equalsIgnoreCase(\{

// 如果是Excel文件则创建HSSFWorkbook读取 workbook = new HSSFWorkbook(is); // 设置Sheet数

numOfSheets = workbook.getNumberOfSheets(); }

else {

throw new Exception(\Type Not Supported\ } }

// 函数readLine读取文件的一行

public String readLine() throws IOException { // 如果是txt文件则通过reader读取 if (filetype.equalsIgnoreCase(\{ String str = reader.readLine(); // 空行则略去，直接读取下一行 while (str.trim().equals(\{ str = reader.readLine(); }

return str; }

// 如果是XLS文件则通过POI提供的API读取文件 else if (filetype.equalsIgnoreCase(\{

// 根据currSheet值获得当前的sheet

HSSFSheet sheet = workbook.getSheetAt(currSheet); // 判断当前行是否到但前Sheet的结尾 if (currPosition > sheet.getLastRowNum()) { // 当前行位置清零 currPosition = 0; // 判断是否还有Sheet

while (currSheet != numOfSheets - 1) { // 得到下一张Sheet

sheet = workbook.getSheetAt(currSheet + 1); // 当前行数是否已经到达文件末尾

if (currPosition == sheet.getLastRowNum()) { // 当前Sheet指向下一张Sheet currSheet++; continue; } else {

// 获取当前行数 int row = currPosition; currPosition++; // 读取当前行数据

return getLine(sheet, row); } }

return null; }

// 获取当前行数 int row = currPosition; currPosition++;

// 读取当前行数据

return getLine(sheet, row); }

return null; }

// 函数getLine返回Sheet的一行数据

private String getLine(HSSFSheet sheet, int row) { // 根据行数取得Sheet的一行

HSSFRow rowline = sheet.getRow(row); // 创建字符创缓冲区

StringBuffer buffer = new StringBuffer(); // 获取当前行的列数

int filledColumns = rowline.getLastCellNum(); HSSFCell cell = null; // 循环遍历所有列

for (int i = 0; i < filledColumns; i++) { // 取得当前Cell

cell = rowline.getCell((short) i); String cellvalue = null; if (cell != null) { // 判断当前Cell的Type switch (cell.getCellType()) { // 如果当前Cell的Type为NUMERIC case HSSFCell.CELL_TYPE_NUMERIC: { // 判断当前的cell是否为Date

if (HSSFDateUtil.isCellDateFormatted(cell)) { // 如果是Date类型则，取得该Cell的Date值 Date date = cell.getDateCellValue();

// 把Date转换成本地格式的字符串

cellvalue = cell.getDateCellValue().toLocaleString(); }

// 如果是纯数字 else {

// 取得当前Cell的数值

Integer num = new Integer((int) cell .getNumericCellValue()); cellvalue = String.valueOf(num); } break; }

// 如果当前Cell的Type为STRIN case HSSFCell.CELL_TYPE_STRING: // 取得当前的Cell字符串

cellvalue = cell.getStringCellValue().replaceAll(\\ break; // 默认的Cell值 default:

cellvalue = \\ } } else { cellvalue = \ }

// 在每个字段之间插入分割符

buffer.append(cellvalue).append(EXCEL_LINE_DELIMITER); }

// 以字符串返回该行的数据

return buffer.toString(); }

// close函数执行流的关闭操作 public void close() {

// 如果is不为空，则关闭InputSteam文件输入流 if (is != null) { try { is.close();

} catch (IOException e) { is = null; } }

// 如果reader不为空则关闭BufferedReader文件输入流 if (reader != null) { try {

reader.close();

} catch (IOException e) { reader = null; } } } }

7.3.2 ExcelReader的运行效果

下面创建一个main函数，用来测试上面的ExcelReader类，代码如下。

代码7.7

public static void main(String[] args) { try{

ExcelReader er=new ExcelReader(\ String line=er.readLine(); while(line != null){ System.out.println(line); line=er.readLine(); }

er.close(); }catch(Exception e){ e.printStackTrace(); } }

main函数先创建一个ExcelReader类，然后调用它提供的接口readLine，对XLS文件进行读取，打印到控制台，处理前的XLS文件如图7-12所示。

图7-12 处理前的XLS文件内容

运行main函数进行内容提取后，Eclipse的控制台输出如图7-13所示。

图7-13 输出结果

可以看到，Excel文件中的内容已经被成功的输出了出来。

7.3.3 POI中Excel文件Cell的类型

在读取每一个Cell的值的时候，通过getCellType方法获得当前Cell的类型，在Excel中Cell有6种类型，如表7-3所示。 表7-3 Cell的类型 CellType CELL_TYPE_BLANK CELL_TYPE_BOOLEAN CELL_TYPE_ERROR CELL_TYPE_FORMULA CELL_TYPE_STRING CELL_TYPE_NUMERIC 说明 空值 布尔型 错误 公式型 字符串型 数值型 本例采用了CELL_TYPE_STRING和CELL_TYPE_NUMERIC类型，因为在Excel文件中只有字符串和数字。如果Cell的Type为CELL_TYPE_NUMERIC时，还需要进一步判断该Cell的数据格式，因为它有可能是Date类型，在Excel中的Date类型也是以Double类型的数字存储的。Excel中的Date表示当前时间与1900年1月1日相隔的天数，所以需要调用HSSFDateUtil的isCellDateFormatted方法，判断该Cell的数据格式是否是Excel Date类型。如果是，则调用getDateCellValue方法，返回一个Java类型的Date。 实际上Excel的数据格式有很多，还支持用户自定义的类型，在Excel中，选择一个单元格然后右键选择“设置单元格格式”，在弹出的单元格格式中选中“数字”，如图7-14所示。 图7-14 Excel的单元格格式 图中的数据有数值、货币、时间、日期、文本等格式。这些数据格式在POI中的HSSFDataFormat类里都有相应的定义。 HSSFDataFormat是HSSF子项目里面定义的一个类。类HSSFDataFormat允许用户新建数据格式类型。HSSFDataFormat类包含静态方法static java.lang.String getBuiltinFormat(short index)，它可以根据编号返回内置数据类型。另外static short getBuiltinFormat(java.lang.String format)方法则可以根据数据类型返回其编号，static java.util.List getBuiltinFormats()可以返回整个内置的数据格式列表。 在HSSFDataFormat里一共定义了49种内置的数据格式，如表7-4所示。 表7-4 HSSFDataFormat的数据格式 内置数据类型 \\\\\\\\\\\\\\\\\\\\\\\保留为过国际化用 \\\\\\\\\ \\\ \编号 0 1 2 3 4 5 6 7 8 9 0xa 0xb 0xc 0xd 0xe 0xf 0x10 0x11 0x12 0x13 0x14 0x15 0x16 0x17 - 0x24 0x25 0x26 0x27 0x28 0x29 0x2a 0x2b 0x2c 0x2d 0x2e 0x2f 0x30 0x31 在上面表中，字符串类型所对应的是数据格式为\（最后一行），也就是HSSFDataFormat中定义的值为0x31（49）的那行。Date类型的值的范围是0xe-0x11，本例子中的Date格式为\，在HSSFDataFormat定义的值为0xe（14）。

需要注意的一点是，所创建的Excel必须是在Microsoft Excel 97到Excel XP的版本上的，如果在Excel 2003中创建文件后，在使用POI进行解析时，可能会出现问题。它会把Date类型当作自定义类型。POI目前只提供对Microsoft Excel XP以下的版本的支持，在以后的版本中，希望会提供对Microsoft Excel 2003更好的支持。

7.3.4 对Word的处理类

除了支持对Excel文件的读取外，POI还提供对Word的DOC格式文件的读取。但在它的发行版本中没有发布对Word支持的模块，需要另外下载一个POI的扩展的Jar包。用户可以到http://www.ibiblio.org/maven2/org/textmining/tm-extractors/0.4/下载，本书采用的是tm-extractors-0.4_zip。

下载后，把该包加入工程的Build Path中，然后在ch7.poi包下新建一个类WordReader，该类提供一个静态方法readDoc，读取一个DOC文件并返回文本。函数内容很简单，就是调用WordExtractor的API来提取DOC的内容到字符串，该函数的代码如下。

代码7.8

public static String readDoc(String doc) throws Exception { // 创建输入流读取DOC文件

FileInputStream in = new FileInputStream(new File(doc)); WordExtractor extractor = null; String text = null; // 创建WordExtractor

extractor = new WordExtractor(); // 对DOC文件进行提取 text = extractor.extractText(in); return text; }

在同一个类里创建一个main函数，测试WordReader，该main函数代码如下。

代码7.9

public static void main(String[] args) { try{

String text = WordReader.readDoc(\ System.out.println(text); }catch(Exception e){

e.printStackTrace(); } }

处理前的Doc文件如图7-15所示。

图7-15 处理前的Word文档

使用代码处理后的文本如图7-16所示。

图7-16 处理后的结果

可以看到Word文档内的文本已经全部被提取了出来。

7.4 使用Jacob来处理Word文档

Word或Excel程序是以一种COM组件形式存在的。如果能够在Java中调用Word的COM组件，就能使用它的方法来获取Word文档中的文本信息。目前网上有许多提供这样的工具。

7.4.1 Jacob的下载

Jacob 是Java-COM Bridge的缩写，它在Java与微软的COM组件之间构建一座桥梁。使用Jacob自带的DLL动态链接库，并通过JNI的方式实现了在Java平台上对COM程序的调用。Jacob下载的地址为：

http://sourceforge.net/project/showfiles.php?group_id=109543&package_id=118368。本书采用的是jacob_1.11_zip。解压下载的Jacob_1.11_zip文件后，如图7-17所示。

图7-17 Jacob包解压后的内容

7.4.2 在Eclipse中配置

（1）将jacob.jar导入工程的Build Path，然后确认自己机器的CPU类型（X86或AMD64），并选择不同目录下的jacob.dll文件。

（2）将jacob.dll放到%JAVA_HOME%\\jre\\bin目录下，其中，%JAVA_HOME%就是JDK的安装目录。注意这个的jre目录必须是Eclipse当前正在使用的目录，在Eclipse中选择“window->Preferences”菜单，在弹出的对话框中选择“Java->Installed JREs”项，如图7-18所示。

图7-18 Eclipse中JRE设置的对话框

（3）当前选择的JRE是“C:\\Program Files\\Java\\jdk1.5.0_07\\jre”目录下的，所以需要把jacob.dll复制到“C:\\Program Files\\Java\\jdk1.5.0_07\\jre\\bin”目录下面。

（4）在工程中新建一个ch7.jacob包，并在包中创建WordReader类。该类将提供一个静态的extractDoc()方法。它接收两个参数，一个是要处理的DOC文件名，另一个则是输出的文件名，然后通过JNI调用Word的API转换内容，该函数的代码如下。

代码7.10

public static void extractDoc(String inputFIle, String outputFile) { boolean flag = false;

// 打开Word应用程序

ActiveXComponent app = new ActiveXComponent(\

try {

// 设置word不可见

app.setProperty(\new Variant(false)); // 打开word文件

Dispatch doc1 = app.getProperty(\ Dispatch doc2 = Dispatch.invoke( doc1, \

Dispatch.Method,

new Object[] { inputFIle, new Variant(false), new Variant(true) }, new int[1]).toDispatch(); // 作为txt格式保存到临时文件

Dispatch.invoke(doc2, \Dispatch.Method, new Object[] { outputFile, new Variant(7) }, new int[1]); // 关闭word

Variant f = new Variant(false); Dispatch.call(doc2, \f); flag = true;

} catch (Exception e) { e.printStackTrace(); } finally {

app.invoke(\new Variant[] {}); }

if (flag == true) {

System.out.println(\Successfully\ } else {

System.out.println(\Failed\ }

}

（5）创建一个main函数来测试WordReader类，该main函数代码如下。

public static void main(String[] args) {

WordReader.extractDoc(\}

（6）新生成的txt文件被保存到c:\\jacob.txt下，如图7-19所示。

图7-19 使用Jacob处理的效果

在使用Jacob时，很重要的一点是，用户本地系统中必须安装有Word的应用程序。否则也就无法建立Java-COM桥，进而无法解析了。

7.5 小结

本章向读者详细介绍了Word、Excel和PDF文件的文本提取工具。有关这些文本提取工具的使用问题是任何一个Lucene论坛上都会被提出的问题。不过，一直没有任何一篇资料把这些工具集合在一起进行详细的讲解。希望本篇的内容能够对读者有所帮助，以解决大家在遇到这些格式的文件时，能提取出想要的文本。

本文来源：https://www.bwwdw.com/article/uwor.html