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