书单推荐：成为Java顶级程序员架构师 ，这20来本(高薪)必看点击获取

WORD: 

java;toolbar:false">import org.apache.lucene.document.Document; 
import org.apache.lucene.document.Field; 
import org.apache.poi.hwpf.extractor.WordExtractor; 
import java.io.File; 
import java.io.InputStream; 
import java.io.FileInputStream; 
import com.search.code.Index; 
public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException { 
String bodyText = null; 
try { 
WordExtractor ex = new WordExtractor(is);//is是WORD文件的InputStream 
bodyText = ex.getText(); 
if(!bodyText.equals("")){ 
index.AddIndex(url, title, bodyText); 
} 
}catch (DocCenterException e) { 
throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e); 
}catch(Exception e){ 
e.printStackTrace(); 
} 
} 
return null; 
}

Excel: 

import org.apache.lucene.document.Document; 
import org.apache.lucene.document.Field; 
import org.apache.poi.hwpf.extractor.WordExtractor; 
import org.apache.poi.hssf.usermodel.HSSFWorkbook; 
import org.apache.poi.hssf.usermodel.HSSFSheet; 
import org.apache.poi.hssf.usermodel.HSSFRow; 
import org.apache.poi.hssf.usermodel.HSSFCell; 
import java.io.File; 
import java.io.InputStream; 
import java.io.FileInputStream; 
import com.search.code.Index; 
public Document getDocument(Index index, String url, String title, InputStream is) throws DocCenterException { 
StringBuffer content = new StringBuffer(); 
try{ 
HSSFWorkbook workbook = new HSSFWorkbook(is);//创建对Excel工作簿文件的引用 
for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) { 
if (null != workbook.getSheetAt(numSheets)) { 
HSSFSheet aSheet = workbook.getSheetAt(numSheets);//获得一个sheet 
for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) { 
if (null != aSheet.getRow(rowNumOfSheet)) { 
HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一个行 
for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) { 
if (null != aRow.getCell(cellNumOfRow)) { 
HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值 
content.append(aCell.getStringCellValue()); 
} 
} 
} 
} 
} 
} 
if(!content.equals("")){ 
index.AddIndex(url, title, content.toString()); 
} 
}catch (DocCenterException e) { 
throw new DocCenterException("无法从该Mocriosoft Word文档中提取内容", e); 
}catch(Exception e) { 
System.out.println("已运行xlRead() : " + e ); 
} 
return null; 
}

PowerPoint: 

import java.io.InputStream; 
import org.apache.lucene.document.Document; 
import org.apache.poi.hslf.HSLFSlideShow; 
import org.apache.poi.hslf.model.TextRun; 
import org.apache.poi.hslf.model.Slide; 
import org.apache.poi.hslf.usermodel.SlideShow; 
public Document getDocument(Index index, String url, String title, InputStream is) 
throws DocCenterException { 
StringBuffer content = new StringBuffer(""); 
try{ 
SlideShow ss = new SlideShow(new HSLFSlideShow(is));//is 为文件的InputStream，建立SlideShow 
Slide[] slides = ss.getSlides();//获得每一张幻灯片 
for(int i=0;i<slides.length;i++){ 
TextRun[] t = slides[i].getTextRuns();//为了取得幻灯片的文字内容，建立TextRun 
for(int j=0;j<t.length;j++){ 
content.append(t[j].getText());//这里会将文字内容加到content中去 
} 
content.append(slides[i].getTitle()); 
} 
index.AddIndex(url, title, content.toString()); 
}catch(Exception ex){ 
System.out.println(ex.toString()); 
} 
return null; 
}

PDF: 

import java.io.InputStream; 
import java.io.IOException; 
import org.apache.lucene.document.Document; 
import org.pdfbox.cos.COSDocument; 
import org.pdfbox.pdfparser.PDFParser; 
import org.pdfbox.pdmodel.PDDocument; 
import org.pdfbox.pdmodel.PDDocumentInformation; 
import org.pdfbox.util.PDFTextStripper; 
import com.search.code.Index; 
public Document getDocument(Index index, String url, String title, InputStream is)throws DocCenterException { 
COSDocument cosDoc = null; 
try { 
cosDoc = parseDocument(is); 
} catch (IOException e) { 
closeCOSDocument(cosDoc); 
throw new DocCenterException("无法处理该PDF文档", e); 
} 
if (cosDoc.isEncrypted()) { 
if (cosDoc != null) 
closeCOSDocument(cosDoc); 
throw new DocCenterException("该PDF文档是加密文档，无法处理"); 
} 
String docText = null; 
try { 
PDFTextStripper stripper = new PDFTextStripper(); 
docText = stripper.getText(new PDDocument(cosDoc)); 
} catch (IOException e) { 
closeCOSDocument(cosDoc); 
throw new DocCenterException("无法处理该PDF文档", e); 
} 
PDDocument pdDoc = null; 
try { 
pdDoc = new PDDocument(cosDoc); 
PDDocumentInformation docInfo = pdDoc.getDocumentInformation(); 
if(docInfo.getTitle()!=null && !docInfo.getTitle().equals("")){ 
title = docInfo.getTitle(); 
} 
} catch (Exception e) { 
closeCOSDocument(cosDoc); 
closePDDocument(pdDoc); 
System.err.println("无法取得该PDF文档的元数据" + e.getMessage()); 
} finally { 
closeCOSDocument(cosDoc); 
closePDDocument(pdDoc); 
} 
return null; 
} 
private static COSDocument parseDocument(InputStream is) throws IOException { 
PDFParser parser = new PDFParser(is); 
parser.parse(); 
return parser.getDocument(); 
} 
private void closeCOSDocument(COSDocument cosDoc) { 
if (cosDoc != null) { 
try { 
cosDoc.close(); 
} catch (IOException e) { 
} 
} 
} 
private void closePDDocument(PDDocument pdDoc) { 
if (pdDoc != null) { 
try { 
pdDoc.close(); 
} catch (IOException e) { 
} 
} 
}

转载请注明：谷谷点程序 » java读取word，excel，ppt，pdf文件内容