本文介绍如何使用Apache POI库在Java中读取Excel和Word文档。提供了详细的代码示例，展示如何处理不同类型的单元格数据，以及如何从Word文档中提取文本。
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
|
说明
|
|
POIFS(POI File System)
|
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)
|
HSSF是Java到Microsoft Excel 97(-2002)文件的接口，支持读写功能
|
|
HWPF(Horrible Word Processing Format)
|
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(Horrible Property Set Format)
|
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("no 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("txt")) ...{ // 如果是txt则直接创建BufferedReader读取 reader = new BufferedReader(new InputStreamReader(is)); }else if (filetype.equalsIgnoreCase("xls")) ...{ // 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("File 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("txt")) ...{ 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("xls")) ...{ // 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; } } }
}
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("c:/xp.xls"); 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
|
说明
|
|
CELL_TYPE_BLANK
|
空值
|
|
CELL_TYPE_BOOLEAN
|
布尔型
|
|
CELL_TYPE_ERROR
|
错误
|
|
CELL_TYPE_FORMULA
|
公式型
|
|
CELL_TYPE_STRING
|
字符串型
|
|
CELL_TYPE_NUMERIC
|
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
|
编号
|
|
"General"
|
0
|
|
"0"
|
1
|
|
"0.00"
|
2
|
|
"#,##0"
|
3
|
|
"#,##0.00"
|
4
|
|
"($#,##0_);($#,##0)"
|
5
|
|
"($#,##0_);[Red]($#,##0)"
|
6
|
|
"($#,##0.00);($#,##0.00)"
|
7
|
|
"($#,##0.00_);[Red]($#,##0.00)"
|
8
|
|
"0%"
|
9
|
|
"0.00%"
|
0xa
|
|
"0.00E+00"
|
0xb
|
|
"# ?/?"
|
0xc
|
|
"# ??/??"
|
0xd
|
|
"m/d/yy"
|
0xe
|
|
"d-mmm-yy"
|
0xf
|
|
"d-mmm"
|
0x10
|
|
"mmm-yy"
|
0x11
|
|
"h:mm AM/PM"
|
0x12
|
|
"h:mm:ss AM/PM"
|
0x13
|
|
"h:mm"
|
0x14
|
|
"h:mm:ss"
|
0x15
|
|
"m/d/yy h:mm"
|
0x16
|
|
保留为过国际化用
|
0x17 - 0x24
|
|
"(#,##0_);(#,##0)"
|
0x25
|
|
"(#,##0_);[Red](#,##0)"
|
0x26
|
|
"(#,##0.00_);(#,##0.00)"
|
0x27
|
|
"(#,##0.00_);[Red](#,##0.00)"
|
0x28
|
|
"_($*#,##0_);_($*(#,##0);_($* /"-/"_);_(@_)"
|
0x29
|
|
"_(*#,##0.00_);_(*(#,##0.00);_(*/"-/"??_);_(@_)"
|
0x2a
|
|
"_($*#,##0.00_);_($*(#,##0.00);_($*/"-/"??_);_(@_)"
|
0x2b
|
|
"_($*#,##0.00_);_($*(#,##0.00);_($*/"-/"??_);_(@_)"
|
0x2c
|
|
"mm:ss"
|
0x2d
|
|
"[h]:mm:ss"
|
0x2e
|
|
"mm:ss.0"
|
0x2f
|
|
"##0.0E+0"
|
0x30
|
|
"@" - This is text format
|
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""m/d/yy""，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("c:/test.doc"); 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。
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
