如何使用 Java 读取 Excel、docx、pdf 和 txt 文件？

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/