使用Apache POI抽取OFFICE文本（DOC, DOCX, XLS, XLSX, PPT, PPTX）——Desktop Search开发札记【经验积累】
日期：2014-05-16 浏览次数：20943 次
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】
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。
(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。
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
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（http://poi.apache.org/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-beta1-20130628.jar poi-excelant-3.10-beta1-20130628.jar poi-ooxml-3.10-beta1-20130628.jar poi-ooxml-schemas-3.10-beta1-20130628.jar poi-scratchpad-3.10-beta1-20130628.jar /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.POIXMLTextExtractororg.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
免责声明： 本文仅代表作者个人观点，与爱易网无关。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，请读者仅作参考，并请自行核实相关内容。
