Java中使用Apache POI读取word文件简单示例

apache poi是apache软件基金会的开放源码函式库，poi提供api给java程序对microsoft office格式档案读和写的功能。

1.读取word 2003及word 2007需要的jar包

　　读取 2003 版本(.doc)的word文件相对来说比较简单，只需要 poi-3.5-beta6-20090622.jar 和 poi-scratchpad-3.5-beta6-20090622.jar 两个 jar 包即可， 而 2007 版本(.docx)就麻烦多，我说的这个麻烦不是我们写代码的时候麻烦，是要导入的 jar 包比较的多，有如下 7 个之多：
 1. openxml4j-bin-beta.jar
 2. poi-3.5-beta6-20090622.jar
 3. poi-ooxml-3.5-beta6-20090622.jar
 4 .dom4j-1.6.1.jar
 5. geronimo-stax-api_1.0_spec-1.0.jar
 6. ooxml-schemas-1.0.jar
 7. xmlbeans-2.3.0.jar
其中 4-7 是 poi-ooxml-3.5-beta6-20090622.jar 所依赖的 jar 包（在 poi-bin-3.5-beta6-20090622.tar.gz 中的 ooxml-lib 目录下可以找到）。

2.换行符号

　　硬换行：文件中换行，如果是键盘中使用了"enter"的换行。

　　软换行：文件中一行的字符数容量有限，当字符数量超过一定值时，会自动切到下行显示。

　　对程序来说，硬换行才是可以识别的、确定的换行，软换行与字体大小、缩进有关。

3.读取的注意事项

　　值得注意的是： poi 在读取不会读取 word 文件中的图片信息； 还有就是对于 2007 版的 word(.docx), 如果 word 文件中有表格，所有表格中的数据都会在读取出来的字符串的最后。

4.读取word文本内容代码

import java.io.file;
import java.io.fileinputstream;
import java.io.inputstream;

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;

public class test {
  public static void main(string[] args) {
    try {
      inputstream is = new fileinputstream(new file("2003.doc"));
      wordextractor ex = new wordextractor(is);
      string text2003 = ex.gettext();
      system.out.println(text2003);

      opcpackage opcpackage = poixmldocument.openpackage("2007.docx");
      poixmltextextractor extractor = new xwpfwordextractor(opcpackage);
      string text2007 = extractor.gettext();
      system.out.println(text2007);
      
    } catch (exception e) {
      e.printstacktrace();
    }
  }
}