【Java】操作doc文件

读取txt文件

在Java里要对文件进行操作，需要用到IO流。

   public static void main(String args[]){
        File f = new File("test.txt");
        try {
// InputStream 处理的是字节流，用read()的话每次读取的是一个byte
            InputStream in  = new FileInputStream(f);
// InputStreamReader 处理的是字符流，用read()的话每次读取一个字符
            InputStreamReader reader = new InputStreamReader(in,"gbk");
// BufferReader 处理的是字符流，能够一行一行的读取文件
            BufferedReader bufReader = new BufferedReader(reader);
            int i = 1;
            String line ="";
// readLine()每用一次读取一行
            while((line = bufReader.readLine()) != null){
                System.out.println("第"+ i + "行："+line);
                ++i;
            }
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }

    }

输出：

操作doc文件

读取doc文件如果也用上面的方法的话，中文就会出现乱码：


要用Java Apache POI才能对doc文件进行操作，使用POI从doc文件读取数据时主要有两种方式：通过WordExtractor读和通过HWPFDocument读。首先先在Maven中引入poi-scratchpad的jar包（如果是docx文件则引入poi-ooxml的jar包 ）

使用WordExtractor

WordExtractor的功能相比HWPFDocument的功能是要少的，在使用WordExtractor读文件时我们只能读到文件的文本内容和基于文档的一些属性，至于文档内容的属性等是无法读到的，并且WordExtractor无法修改doc文件。使用WordExtractor读取文件内容：

public static void main(String args[]){
        File f = new File("test.doc");
        try {
            InputStream in = new FileInputStream(f);
            WordExtractor ex = new WordExtractor(in);
            System.out.println(ex.getText());
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

使用HWPFDocument

因为我主要是为了修改doc文件的内容，所以用HWPFDocument。将文档中的中文字全部去除：

public static void main(String args[]){
        File f = new File("test.doc");
        try {
            InputStream in = new FileInputStream(f);
            HWPFDocument ex = new HWPFDocument(in);
            Range range = ex.getRange();
             /**
             * 匹配中文字符 [\\u4e00-\\u9fa5]
             * 中文标点符号，、； \\uff1b|\\uff0c|\\u3001
             * 括号内容（包括括号） (\\(.*\\))
             */ 
            Pattern pattern = Pattern.compile("[\\u4e00-\\u9fa5]|\\uff1b|\\uff0c|\\u3001|(\\(.*\\))",Pattern.CASE_INSENSITIVE);
            Matcher matcher = pattern.matcher(range.text());
            OutputStream os = new FileOutputStream(f);
         // 找到中文字符并替换为“” 即删除
            while (matcher.find( )) {
                range.replaceText(matcher.group(),"");
            }
         // 将修改后的内容重新写入文档中
            ex.write(os);
            os.close();
            in.close();
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

修改前：

修改后：

做这个功能是为了背单词，而一个文档5500个单词，308页内容，一个一个删除中文太麻烦了，所以想到了用代码实现

参考资料：http://www.jb51.net/article/101910.htm