如何使用 Java 读取 Excel、docx、pdf 和 txt 文件?

• 1.举个栗子
• 2.导入依赖包

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){  thrownew BusinessException(ResultCodeEnum.FILE_CONTENT_IS_EMPTY);      }  switch (fileExtension) {  case"txt":  returnnew 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");  returnnull;      }}

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;publicclassPdfReaderExample{publicstaticvoidmain(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;publicclassDocxReaderExample{publicstaticvoidmain(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;publicclassDocTextExtractor{publicstatic 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();        }returnnull;    }publicstaticvoidmain(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;publicclassExcelReader{publicstaticvoidmain(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;publicclassExcelReader{publicstaticvoidmain(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/