zoukankan      html  css  js  c++  java
  • 超级顽固的流方式读取doc,docx乱码问题

      因为工作中需要一个把doc或者docx的office文档内容,需要读取出来,并且也没展示功能。代码中第一考虑可能就是通过读取流方式,结果写了以后,各种乱码,百科的解决方案也是千奇百怪,第一点:可能是文档编码格式和项目编码格式不一致,需要重新再读取流时候,重新定义流的编码格式;第二点:可能是框架层面直接调用解析方式,但是框架封装没有声明编码格式;第三点:就是在转成流在重建字符串时候,需要声明编码格式。总之,就是编码格式不一致导致。

      当然问题不止这么简单,如果是其他格式的话,可以通过编码格式解决,但是这是office的文档格式,出奇的难受,愣是编码不通过。

      所以需要换一个思路进行文档解析,从中获取需要的内容。

      最后的确定法方案,通过POI方式,进行office文档解析。

    第一步 mavne项目中需要引入的jar包

            <!--docx文件下载问题-->
            <dependency>
                <groupId>org.apache.poi</groupId>
                <artifactId>poi-scratchpad</artifactId>
                <version>3.8</version>
            </dependency>
            <dependency>
                <groupId>commons-io</groupId>
                <artifactId>commons-io</artifactId>
                <version>2.6</version>
            </dependency>

    需要注意事项是,高版本的POI包,有些不兼容情况,对于下面这个commons-io包一定要引入,要不然会报错POI中某个类找寻不到问题。

    第二步 新建一个doc解析类

    import org.apache.poi.POIXMLDocument;
    import org.apache.poi.POIXMLTextExtractor;
    import org.apache.poi.hwpf.extractor.WordExtractor;
    import org.apache.poi.openxml4j.opc.OPCPackage;
    import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
    
    import java.io.File;
    import java.io.FileInputStream;
    import java.io.InputStream;
    
    /**
     * @author admin
     * @date 2019/12/4 16:23
     */
    public class WordDownload {
    
        /**
         * @Description: POI 读取  word
         * @create: 2019-07-27 9:48
         * @update logs
         * @throws Exception
         */
        public static String readWord(String filePath) throws Exception{
    
            File file = new File(filePath);
            if(file.length()==0) return ""; // 需要操作原因是可能会空文件问题,如果不做处理,在下面读取中会报错
            StringBuffer sb = new StringBuffer();
            String buffer = "";
            try {
                if (filePath.endsWith(".doc")) {
                    InputStream is = new FileInputStream(file);
                    WordExtractor ex = new WordExtractor(is);
                    buffer = ex.getText();
                    if(buffer.length() > 0){
                        //使用回车换行符分割字符串
                        String [] arry = buffer.split("\r\n");
                        for (String string : arry) {
                            sb.append(string.trim());
                        }
                    }
                } else if (filePath.endsWith(".docx")) {
                    OPCPackage opcPackage = POIXMLDocument.openPackage(filePath);
                    POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
                    buffer = extractor.getText();
                    if(buffer.length() > 0){
                        //使用换行符分割字符串
                        String [] arry = buffer.split("\n");
                        for (String string : arry) {
                            sb.append(string.trim());
                        }
                    }
                } else {
                    return null;
                }
                return sb.toString();
            } catch (Exception e) {
                System.out.print("error---->"+filePath);
                e.printStackTrace();
                return null;
            }
        }
    
    }
    

      

     

  • 相关阅读:
    Verdi 看波形常用快捷操作
    Tensorflow系列——Saver的用法
    Verilog-分频器
    (原创)列主元Gauss消去法的通用程序
    冒泡排序算法
    ADC 与实际电压值的关系
    直流耦合 交流耦合 耦合
    当前不会命中断点,源代码与原始版本不同
    示波器触发
    在头文件#pragma comment(lib,"glaux.lib");编译器提示waring C4081: 应输入“newline“
  • 原文地址:https://www.cnblogs.com/puretuo/p/11984801.html
Copyright © 2011-2022 走看看