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

因Python处理中对文件的格式要求，需把doc文件转化为docx文件，详解如下：

import os
from win32com import client as wc
import time
#  注意：目录的格式必须写成双反斜杠
path="C:\\Users\\wbl\\Desktop\\pythonProject1\\"  # 使用绝对地址（可更改）
files=[]
for file in os.listdir(path):
    # 找出文件中以.doc结尾并且不以~$开头的文件（~$是为了排除临时文件）
    if file.endswith('.doc') and not file.startswith('~$'): 
        files.append(path+file)
        for file in files:
            word = wc.Dispatch("Word.Application")
            print("已处理文件："+files[0])
            # 打开文件
            doc = word.Documents.Open(files[0])
            # 将文件另存为.docx
            doc.SaveAs("{}x".format(files[0]), 12)    # 12表示docx格式
            doc.Close()
            # 删除原doc文件
            os.remove(files[0])
            # 在files数组中删除第一个文件地址（已处理的文件地址）
            del files[0]
            word.Quit()
            time.sleep(0.5) # 暂停0.5秒

对time.sleep()语句的解释：
 time.sleep() 函数推迟调用线程的运行，可通过参数secs指秒数，表示进程挂起的时间。

使用原因：

for循环中，上一个进程刚想执行word.Quit()时，下一个进程就已经开始执行到wc.Dispatch(‘Word.Application’)，前后矛盾，导致打开不了,使程序报错：“AttributeError: <unknown>.Open”

欢迎大家批评指正~

doc文件和docx文件的区别

这部分参考了这个知乎链接: doc文件和docx文件的区别.的介绍，我自己暂时用到理解就是doc文件格式是以前word版本才使用的文件格式。
前提：
安装两个工具包，安装命令：
pip install python-docx
python -m pip install pypiwin32

代码实现

def doc_to_docx(file_dir):
    docfiles = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == '.doc':
                docfiles.append(os.path.join(root, file))
        word = wc.Dispatch("Word.Application")  # 打开word应用程序
        for docfile in docfiles:
            doc = word.Documents.Open(docfile)  # 打开word文件
            doc.SaveAs('{}x'.format(docfile), 12)  # 另存为后缀为".docx"的文件，其中参数12指docx文件
            doc.Close()  # 关闭原来word文件
            os.remove(docfile)
        word.Quit()
        print("完成！")

首先要导入win32的API包

from win32com import client as wc

接着，去到word文件夹里面去找到对应的doc格式的文件，其中os.path.splitext()方法切割文件名方便匹配对应格式文件

docfiles = []
    for root, dirs, files in os.walk(file_dir):
        for file in files:
            if os.path.splitext(file)[1] == '.doc':  #切分文件名，匹配相应格式的文件
                docfiles.append(os.path.join(root, file))

解释一下，for root, dirs, files in os.walk(file_dir):
三个变量分别是什么：

然后，使用win32API接口打开word应用程序，开始文件格式的转换，这里记录一下document.savaAs2的转换方法的后缀格式参数有哪些，参考官方链接链接: saveAS方法参数.

这里特别注意 doc.SaveAs(filename, 16)方法里面，必须第一个参数重新给定的文件名的格式后缀必须和后面数字参数给定的格式匹配，否则会报错。而且filename是指包含了源路径的文件路径名。

        word = wc.Dispatch("Word.Application")  # 打开word应用程序
        for docfile in docfiles:
            doc = word.Documents.Open(docfile)  # 打开word文件
            doc.SaveAs2('{}x'.format(docfile), 12)  # 另存为后缀为".docx"的文件，其中参数12指docx文件
            doc.Close()  # 关闭原来word文件
            os.remove(docfile)
        word.Quit()