转自：http://blog.csdn.net/chinapi_hzh/article/details/5798689
因为微软没有公开word源代码，所以直接用java流来读取word的后果是读出来的全是乱码。所以必须通过jacob这个中间桥 。当然也可用poi来读取。
先说用poi读取的方法吧。用poi读取的话，先要下载tm-extractors-0.4.jar百度一下可以找到。代码如下：
1 import java.io.FileInputStream; 2 3 try { 4 FileInputStream fileinputstream = new FileInputStream(filepath); 5 WordExtractor extractor = new WordExtractor(); 6 temp = extractor.extractText(fileinputstream); 7 System.out.println(temp + "==temp"); 8 fileinputstream.close(); 9 } catch (Exception ex) { 10 System.out.println("FileNotFoundException error" + ex.getMessage()); 11 }
filepath为word文档路径，返回一个temp字符串。这样读出来的不是乱码了，但是效果并不如意。因为把word格式给丢掉了。
再说用jacob. 先到官方网站上去下载：http://sourceforge.net/project/showfiles.php?group_id=109543&package_id=118368 jacob.zip. 下载之后解压，把jacob.jar放到项目/web-inf/lib下面。把jacob .dll放到c:/windos/system32/以及java/jdk*.*/jre/bin下面。这样就算是配置完成了。说代码：
1 import com.jacob.activeX.ActiveXComponent; 2 import com.jacob.com.Dispatch; 3 import com.jacob.com.Variant; 4 public boolean ChageFormat (String FolderPath,String FileName){ 5 String FileFormat = ""; 6 System.out.println(FolderPath); 7 FileFormat = FileName.substring(FileName.length()-4,FileName.length()); 8 System.out.println(FileFormat); 9 if(FileFormat.equalsIgnoreCase(".doc")) 10 { 11 String DocFile = FolderPath +"//"+ FileName; 12 System.out.println("word文件路径："+DocFile); 13 //word文件的完整路径 14 String HtmlFile = DocFile.substring(0, (DocFile.length() - 4)) + ".htm"; 15 System.out.println("htm文件路径："+HtmlFile); 16 //html文件的完整路径 17 ActiveXComponent app = new ActiveXComponent("Word.Application"); 18 //启动word 19 try 20 { 21 app.setProperty("Visible", new Variant(false)); 22 //设置word程序非可视化运行 23 Dispatch docs = app.getProperty("Documents").toDispatch(); 24 Dispatch doc = Dispatch.invoke(docs,"Open", Dispatch.Method, new Object[]{DocFile,new Variant(false), new Variant(true)}, new int[1]).toDispatch(); 25 //打开word文件 26 Dispatch.invoke(doc,"SaveAs",Dispatch.Method, new Object[]{HtmlFile,new Variant(8)}, new int[1]); 27 //作为htm格式保存文件 28 Dispatch.call(doc, "Close",new Variant(false)); 29 //关闭文件 30 } 31 catch (Exception e) 32 { 33 e.printStackTrace(); 34 } 35 finally 36 { 37 app.invoke("Quit", new Variant[] {}); 38 //退出word程序 39 } 40 //转化完毕 41 return true; 42 } 43 return false; 44 }
FolderPath为word存放路径。FileName为word名称。通过这个方法就把word文件转成的htm文件。这时候就可以用流来读取htm文件了，读出来的既不是乱码。并且带有格式。
另外要强调的是jacob这个组件和jdk,以及windows版本都有关系。所以版本一定要匹配。否则会报错。版本的问题就要挨个去试了。没有捷径可走。
原文：http://www.cnblogs.com/x_wukong/p/4270938.html