超级顽固的流方式读取doc,docx乱码问题

Posted 2020-11-24 puretuo

　　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;
        }
    }

}