超级顽固的流方式读取doc,docx乱码问题

Posted puretuo

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了超级顽固的流方式读取doc,docx乱码问题相关的知识,希望对你有一定的参考价值。

  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;
        }
    }

}

  

 

以上是关于超级顽固的流方式读取doc,docx乱码问题的主要内容,如果未能解决你的问题,请参考以下文章

Python:读取 .doc.docx 两种 Word 文件简述及“Word 未能引发事件”错误

如何在android中读取.doc、.docx、.xls文件[重复]

java读取txt/pdf/xls/xlsx/doc/docx/ppt/pptx

使用 POI 读取 Word 中的书签替换书签内容(doc和docx)

python_读取 doc,docx,pdf

怎么使用poi修改word(doc和docx),如何修改带表格的word。高手指点下。小弟刚接触。非常着急