使用POI来处理Excel和Word文件格式

linxh

本文转自：
http://blog.csdn.net/nickshen3/archive/2007/07/06/1681175.aspx


7.3  使用POI来处理Excel和Word文件格式
Microsoft的Office系列产品拥有 大量的用户，Word、Excel也成为办公文件的首选。在Java中，已经有很多对于Word、Excel的开源的解决方案，其中比较出色的是 Apache的Jakata项目的POI子项目。该项目的官方网站是http://jakarta.apache.org/poi/。
POI包括一系列的API，它们可以操作基于 MicroSoft OLE 2 Compound Document Format的各种格式文件，可以通过这些API在Java中读写Excel、Word等文件。POI是完全的Java Excel和Java Word解决方案。POI子项目包括：POIFS、HSSF、HDF、HPSF。表7-2对它们进行了简要介绍。
表7-2  POI子项目介绍
子项目名
说明
POIFS(POI File System)
POIFS是POI项目中最早的最基础的一个模块，是Java到OLE 2 Compound Document Format的接口，支持读写功能，所有的其他项目都依赖与该项目。
HSSF(Horrible Spreadsheet Format)
HSSF是Java到Microsoft Excel 97(-2002)文件的接口，支持读写功能
HWPF(Horrible Word Processing Format)
HWPF是Java到Microsoft Word 97文件的接口，支持读写功能，但目前该模块还处于刚开始开发阶段，只能实现一些简单文件的操作，在后续版本中，会提供更强大的支持
HPSF(Horrible Property Set Format)
HPSF 是Java到OLE 2 Compound Document Format文件的属性设置的接口，属性设置通常用来设置文档的属性（标题，作者，最后修改日期等），还可以设置用户定义的属性。HPSF支持读写功能，当前发布版本中直支持读功能。
7.3.1  对Excel的处理类
下面通过HSSF提供的接口对Excel文件经 行处理。首先需要下载POI的包，可以到apache的官方网站下载，地址为：http: //apache.justdn.org/jakarta/poi/，本书采用的是poi-2.5.1-final-20040804.jar，读者可以 下载当前的稳定版本。把下载的包按照前面介绍的方式加入Build Path，然后新建一个ch7.poi包，并创建一个ExcelReader类。
ExcelReader类可以读取一个XLS文件，然后将其内容逐行提取出来，写入文本文件。其代码如下。
代码7.6
public class ExcelReader {
   // 创建文件输入流
   private BufferedReader reader = null;
   // 文件类型
   private String filetype;
   // 文件二进制输入流
   private InputStream is = null;
   // 当前的Sheet
   private int currSheet;
   // 当前位置
   private int currPosition;
   // Sheet数量
   private int numOfSheets;
   // HSSFWorkbook
   HSSFWorkbook workbook = null;
   // 设置Cell之间以空格分割
   private static String EXCEL_LINE_DELIMITER = " ";
   // 设置最大列数
   private static int MAX_EXCEL_COLUMNS = 64;
   // 构造函数创建一个ExcelReader
   public ExcelReader(String inputfile) throws IOException, Exception {
      // 判断参数是否为空或没有意义
      if (inputfile == null || inputfile.trim().equals("")) {
         throw new IOException("no input file specified");
      }
      // 取得文件名的后缀名赋值给filetype
      this.filetype = inputfile.substring(inputfile.lastIndexOf(".") + 1);
      // 设置开始行为0
      currPosition = 0;
      // 设置当前位置为0
      currSheet = 0;
      // 创建文件输入流
      is = new FileInputStream(inputfile);
      // 判断文件格式
      if (filetype.equalsIgnoreCase("txt")) {
         // 如果是txt则直接创建BufferedReader读取
         reader = new BufferedReader(new InputStreamReader(is));
      }
else if (filetype.equalsIgnoreCase("xls")) {
         // 如果是Excel文件则创建HSSFWorkbook读取
         workbook = new HSSFWorkbook(is);
         // 设置Sheet数
         numOfSheets = workbook.getNumberOfSheets();
      }
else {
         throw new Exception("File Type Not Supported");
      }
   }
   // 函数readLine读取文件的一行
   public String readLine() throws IOException {
      // 如果是txt文件则通过reader读取
      if (filetype.equalsIgnoreCase("txt")) {
         String str = reader.readLine();
         // 空行则略去，直接读取下一行
         while (str.trim().equals("")) {
            str = reader.readLine();
         }
         return str;
      }
      // 如果是XLS文件则通过POI提供的API读取文件
      else if (filetype.equalsIgnoreCase("xls")) {
         // 根据currSheet值获得当前的sheet
         HSSFSheet sheet = workbook.getSheetAt(currSheet);
         // 判断当前行是否到但前Sheet的结尾
         if (currPosition > sheet.getLastRowNum()) {
            // 当前行位置清零
            currPosition = 0;
            // 判断是否还有Sheet
            while (currSheet != numOfSheets - 1) {
               // 得到下一张Sheet
               sheet = workbook.getSheetAt(currSheet + 1);
               // 当前行数是否已经到达文件末尾
               if (currPosition == sheet.getLastRowNum()) {
                  // 当前Sheet指向下一张Sheet
                  currSheet++;
                  continue;
               } else {
                  // 获取当前行数
                  int row = currPosition;
                  currPosition++;
                  // 读取当前行数据
                  return getLine(sheet, row);
               }
            }
            return null;
         }
         // 获取当前行数
         int row = currPosition;
         currPosition++;
         // 读取当前行数据
         return getLine(sheet, row);
      }
      return null;
   }
   // 函数getLine返回Sheet的一行数据
   private String getLine(HSSFSheet sheet, int row) {
      // 根据行数取得Sheet的一行
      HSSFRow rowline = sheet.getRow(row);
      // 创建字符创缓冲区
      StringBuffer buffer = new StringBuffer();
      // 获取当前行的列数
      int filledColumns = rowline.getLastCellNum();
      HSSFCell cell = null;
      // 循环遍历所有列
      for (int i = 0; i          // 取得当前Cell
         cell = rowline.getCell((short) i);
         String cellvalue = null;
         if (cell != null) {
            // 判断当前Cell的Type
            switch (cell.getCellType()) {
            // 如果当前Cell的Type为NUMERIC
            case HSSFCell.CELL_TYPE_NUMERIC: {
               // 判断当前的cell是否为Date
               if (HSSFDateUtil.isCellDateFormatted(cell)) {
                  // 如果是Date类型则，取得该Cell的Date值
                  Date date = cell.getDateCellValue();
                  // 把Date转换成本地格式的字符串
                  cellvalue = cell.getDateCellValue().toLocaleString();
               }
               // 如果是纯数字
               else {
                  // 取得当前Cell的数值
                  Integer num = new Integer((int) cell
                        .getNumericCellValue());
                  cellvalue = String.valueOf(num);
               }
               break;
            }
            // 如果当前Cell的Type为STRIN
            case HSSFCell.CELL_TYPE_STRING:
               // 取得当前的Cell字符串
               cellvalue = cell.getStringCellValue().replaceAll("'", "''");
               break;
            // 默认的Cell值
            default:
               cellvalue = " ";
            }
         } else {
            cellvalue = "";
         }
         // 在每个字段之间插入分割符
         buffer.append(cellvalue).append(EXCEL_LINE_DELIMITER);
      }
      // 以字符串返回该行的数据
      return buffer.toString();
   }
   // close函数执行流的关闭操作
   public void close() {
      // 如果is不为空，则关闭InputSteam文件输入流
      if (is != null) {
         try {
            is.close();
         } catch (IOException e) {
            is = null;
         }
      }
      // 如果reader不为空则关闭BufferedReader文件输入流
      if (reader != null) {
         try {
            reader.close();
         } catch (IOException e) {
            reader = null;
         }
      }
   }
}
7.3.2  ExcelReader的运行效果
下面创建一个main函数，用来测试上面的ExcelReader类，代码如下。
代码7.7
    public static void main(String[] args) {
        try{
            ExcelReader er=new ExcelReader("c:\\xp.xls");   
            String line=er.readLine();
            while(line != null){
                System.out.println(line);
                line=er.readLine();
            }
            er.close();
        }catch(Exception e){
            e.printStackTrace();
        }
    }
main函数先创建一个ExcelReader类，然后调用它提供的接口readLine，对XLS文件进行读取，打印到控制台，处理前的XLS文件如图7-12所示。

图7-12  处理前的XLS文件内容
运行main函数进行内容提取后，Eclipse的控制台输出如图7-13所示。

图7-13  输出结果
可以看到，Excel文件中的内容已经被成功的输出了出来。
7.3.3  POI中Excel文件Cell的类型
在读取每一个Cell的值的时候，通过getCellType方法获得当前Cell的类型，在Excel中Cell有6种类型，如表7-3所示。
表7-3  Cell的类型
CellType
说明
CELL_TYPE_BLANK
空值
CELL_TYPE_BOOLEAN
布尔型
CELL_TYPE_ERROR
错误
CELL_TYPE_FORMULA
公式型
CELL_TYPE_STRING
字符串型
CELL_TYPE_NUMERIC
数值型
本例采用了CELL_TYPE_STRING和 CELL_TYPE_NUMERIC类型，因为在Excel文件中只有字符串和数字。如果Cell的Type为CELL_TYPE_NUMERIC时，还 需要进一步判断该Cell的数据格式，因为它有可能是Date类型，在Excel中的Date类型也是以Double类型的数字存储的。Excel中的 Date表示当前时间与1900年1月1日相隔的天数，所以需要调用HSSFDateUtil的isCellDateFormatted方法，判断该 Cell的数据格式是否是Excel Date类型。如果是，则调用getDateCellValue方法，返回一个Java类型的Date。
实际上Excel的数据格式有很多，还支持用户自定义的类型，在Excel中，选择一个单元格然后右键选择“设置单元格格式”，在弹出的单元格格式中选中“数字”，如图7-14所示。

图7-14  Excel的单元格格式
图中的数据有数值、货币、时间、日期、文本等格式。这些数据格式在POI中的HSSFDataFormat类里都有相应的定义。
HSSFDataFormat是HSSF子项目 里面定义的一个类。类HSSFDataFormat允许用户新建数据格式类型。HSSFDataFormat类包含静态方法 static java.lang.String getBuiltinFormat(short index)，它可以根据编号返回内置数据类型。另外static short getBuiltinFormat(java.lang.String format)方法则可以根据数据类型返回其编号， static java.util.List getBuiltinFormats()可以返回整个内置的数据格式列表。
在HSSFDataFormat里一共定义了49种内置的数据格式，如表7-4所示。
表7-4  HSSFDataFormat的数据格式
内置数据类型
编号
"General"
0
"0"
1
"0.00"
2
"#,##0"
3
"#,##0.00"
4
"($#,##0_);($#,##0)"
5
"($#,##0_);[Red]($#,##0)"
6
"($#,##0.00);($#,##0.00)"
7
"($#,##0.00_);[Red]($#,##0.00)"
8
"0%"
9
"0.00%"
0xa
"0.00E+00"
0xb
"# ?/?"
0xc
"# ??/??"
0xd
"m/d/yy"
0xe
"d-mmm-yy"
0xf
"d-mmm"
0x10
"mmm-yy"
0x11
"h:mm AM/PM"
0x12
"h:mm:ss AM/PM"
0x13
"h:mm"
0x14
"h:mm:ss"
0x15
"m/d/yy h:mm"
0x16
保留为过国际化用
0x17 - 0x24
"(#,##0_);(#,##0)"
0x25
"(#,##0_);[Red](#,##0)"
0x26
"(#,##0.00_);(#,##0.00)"
0x27
"(#,##0.00_);[Red](#,##0.00)"
0x28
"_($*#,##0_);_($*(#,##0);_($* \"-\"_);_(@_)"
0x29
"_(*#,##0.00_);_(*(#,##0.00);_(*\"-\"??_);_(@_)"
0x2a
"_($*#,##0.00_);_($*(#,##0.00);_($*\"-\"??_);_(@_)"
0x2b
"_($*#,##0.00_);_($*(#,##0.00);_($*\"-\"??_);_(@_)"
0x2c
"mm:ss"
0x2d
"[h]:mm:ss"
0x2e
"mm:ss.0"
0x2f
"##0.0E+0"
0x30
"@" - This is text format
0x31
在上面表中，字符串类型所对应的是数据格式为 "@"（最后一行），也就是HSSFDataFormat中定义的值为0x31（49）的那行。Date类型的值的范围是0xe-0x11，本例子中的 Date格式为""m/d/yy""，在HSSFDataFormat定义的值为0xe（14）。
需要注意的一点是，所创建的Excel必须是在 Microsoft Excel 97到Excel XP的版本上的，如果在Excel 2003中创建文件后，在使用POI进行解析时，可能会出现问题。它会把Date类型当作自定义类型。POI目前只提供对Microsoft Excel XP以下的版本的支持，在以后的版本中，希望会提供对Microsoft Excel 2003更好的支持。
7.3.4  对Word的处理类
除了支持对Excel文件的读取外，POI还提 供对Word的DOC格式文件的读取。但在它的发行版本中没有发布对Word支持的模块，需要另外下载一个POI的扩展的Jar包。用户可以到http: //www.ibiblio.org/maven2/org/textmining/tm-extractors/0.4/下载，本书采用的是tm- extractors-0.4_zip。
下载后，把该包加入工程的Build Path中，然后在ch7.poi包下新建一个类WordReader，该类提供一个静态方法readDoc，读取一个DOC文件并返回文本。函数内容很 简单，就是调用WordExtractor的API来提取DOC的内容到字符串，该函数的代码如下。
代码7.8
public static String readDoc(String doc) throws Exception {
    // 创建输入流读取DOC文件
    FileInputStream in = new FileInputStream(new File(doc));
    WordExtractor extractor = null;
    String text = null;
    // 创建WordExtractor
    extractor = new WordExtractor();
    // 对DOC文件进行提取
    text = extractor.extractText(in);
    return text;
}
在同一个类里创建一个main函数，测试WordReader，该main函数代码如下。
代码7.9
public static void main(String[] args) {
        try{
           String text = WordReader.readDoc("c:/test.doc");
           System.out.println(text);
        }catch(Exception e){
            e.printStackTrace();
        }
    }
处理前的Doc文件如图7-15所示。

图7-15  处理前的Word文档
使用代码处理后的文本如图7-16所示。

图7-16  处理后的结果
可以看到Word文档内的文本已经全部被提取了出来。


本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u/8780/showart_1010113.html