Java 读取Doc/Docx 文档：
- 需要添加 Apache.poi 的依赖
<!-- apache poi-->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>commons-io</groupId>
<artifactId>commons-io</artifactId>
<version>2.6</version>
</dependency>
- 工具类代码
package com.lq.file.word;
/**
* <p>Description:POIUtil 工具类</p>
* <p>Copyright: Copyright (c)2021</p>
* <p>author: leo</p>
* <P>@version 2.0</P>
*/
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;
import java.util.ArrayList;
import java.util.List;
public class POIUtil {
/**
* @Description: POI 读取 word
* @update logs
* @throws Exception
*/
public static List<String> readWord(String filePath) throws Exception{
List<String> linList = new ArrayList<String>();
String buffer = "";
try {
if (filePath.endsWith(".doc")) {
InputStream is = new FileInputStream(new File(filePath));
WordExtractor ex = new WordExtractor(is);
buffer = ex.getText();
ex.close();
if(buffer.length() > 0){
//使用回车换行符分割字符串
String [] arry = buffer.split("\\r\\n"); //*******大坑：windows下没问题，Linux/Unix下需将 \\r\\n 换成\\n
for (String string : arry) {
linList.add(string.trim());
}
}
} else if (filePath.endsWith(".docx")) {
OPCPackage opcPackage = POIXMLDocument.openPackage(filePath);
POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
buffer = extractor.getText();
extractor.close();
if(buffer.length() > 0){
//使用换行符分割字符串
String [] arry = buffer.split("\\n");
for (String string : arry) {
linList.add(string.trim());
}
}
} else {
return null;
}
return linList;
} catch (Exception e) {
System.out.print("error---->"+filePath);
e.printStackTrace();
return null;
}
}
}
大坑：
Windows下按行读取可正常按行返回字符串列表，当在Linux/Unix下时只会当成一行返回。
解决：
//使用回车换行符分割字符串
String [] arry = buffer.split("\\r\\n"); //*******大坑：windows下没问题，Linux/Unix下需将 \\r\\n 换成\\n
扩展资料：
经常要对Linux和Windows下文本文件转换下 dos2unix
他们间的区别其实是个回车换行的问题
先来段历史
回车”（Carriage Return）和“换行”（Line Feed）这两个概念的来历和区别。
符号 ASCII码 意义
\n 10 换行
\r 13 回车CR
在计算机还没有出现之前，有一种叫做电传打字机（Teletype Model 33，Linux/Unix下的tty概念也来自于此）的玩意，每秒钟可以打10个字符。但是它有一个问题，就是打完一行换行的时候，要用去0.2秒，正好可以打两个字符。要是在这0.2秒里面，又有新的字符传过来，那么这个字符将丢失。
于是，研制人员想了个办法解决这个问题，就是在每行后面加两个表示结束的字符。
一个叫做“回车”，告诉打字机把打印头定位在左边界；
另一个叫做“换行”，告诉打字机把纸向下移一行。
这就是“换行”和“回车”的来历，从它们的英语名字上也可以看出一二。
linux-and-windows-under-the-carriage-return-and-line-feed
左侧是Windows换行符，右侧是Linux换行符
后来，计算机发明了，这两个概念也就被般到了计算机上。
那时，存储器很贵，一些科学家认为在每行结尾加两个字符太浪费了，加一个就可以。
于是，就出现了分歧。
Windows中：
‘\r’ 回车，回到当前行的行首，而不会换到下一行，如果接着输出的话，本行以前的内容会被逐一覆盖；
‘\n’ 换行，换到当前位置的下一行，而不会回到行首；
Unix系统里，每行结尾只有“<换行>”，即"\n"；
Windows系统里，每行结尾是“<回车><换行>”，即“\r\n”；
Unix/Mac系统里，每行结尾是“<回车>”，即"\r"；
一个直接后果是，Unix/Mac系统下的文件在Windows里打开的话，所有文字会变成一行；
而Windows里的文件在Unix/Mac下打开的话，在每行的结尾可能会多出一个^M符号。
分别在Windws和Linux中查看此文件可知
Linux中遇到换行符("\n")会进行回车+换行的操作，回车符反而只会作为控制字符("^M")显示，不发生回车的操作。而windows中要回车符+换行符("\r\n")才会回车+换行，缺少一个控制符或者顺序不对都不能正确的另起一行。
Windows等操作系统用的文本换行符和UNIX/Linux操作系统用的不同
Windows系统下输入的换行符在UNIX/Linux下不会显示为“换行”，而是显示为 ^M 这个符号（这是Linux等系统下规定的特殊标记，占一个字符大小，不是^和M的组合，打印不出来的）。
Linux下很多文本编辑器（命令行）会在显示这个标记之后，补上一个自己的换行符，以避免内容混乱（只是用于显示，补充的换行符不会写入文件，有专门的命令将Windows换行符替换为Linux换行符）。
UNIX/Linux系统下的换行符在Windows系统的文本编辑器中会被忽略，整个文本会乱成一团。
Windows换行是\r\n，十六进制数值是：0D0A。
LINUX换行是\n，十六进制数值是：0A
所以在linux保存的文件在Windows上用记事本看的话会出现黑点，我们可以在LINUX下用命令把linux的文件格式转换成win格式的。
unix2dos 是把linux文件格式转换成windows文件格式
dos2unix 是把windows格式转换成linux文件格式
linux下删除windows换行符^M
OJ判题时发现一个问题：用%c读入的代码都会报wa。后来发现跟scanf有关。
在linux下使用%c会读到\n和\r两个字符。所以需要将^M（也就是\r）字符删掉
删除方法不少。找了一个比较简单的。
要将a.txt里的^M去掉并写入b.txt，则使用如下指令
cat a.txt | tr -d “^M” > b.txt
注意：语句中的^M是通过ctrl+V, ctrl+M输入的。特指/r字符
unix 下换行符只有: \r
Dos 下换行符有：\r\n
具体的，
\r的ascii 码是：13
\n的ascii 码是：10
C语言编程时
windows系统 \r 就是return 回到本行行首，这就会把这一行以前的输出覆盖掉，
例如：
int main() {
cout << “hahaha” << “\r” << “xixi” ;
}
最后只显示 xixi 而 hahaha 被覆盖了
\n 是回车＋换行把光标先移到行首，然后换到下一行，也就是 下一行的行首拉
int main() {
cout << “hahaha” << “\n” << “xixi” ;
}
则显示
hahaha
xixi
在windows 系统中，当你输入回车时会自动变成\r\n
在linux下的回车键只代表\n
而在windows下的回车键表示\r\n
\n为进入下一行，\r为打印头回到行首上
linux/unix下，只用\n,它就表示回车+换行
windows下，\r只回车不换行的，\n是换行，但在有些编辑中单独的\n是不会换行的(如notepad)
一般在程序中，写\n就可以了，它在linux或windows中都能实现回车+换行的功能(只是在文本文件中，linux只会有0x0a,windows会自动换为0x0d 0x0a)