如何從Apache POI中了解文件是.docx還是.doc格式

Question

我知道我們可以通過擴展或mime類型來完成它，我們是否有任何其他方式可以獲得文件類型的概念，無論是.docx還是.doc。

Answer 1

如果只是確定已知的文件集合是.doc還是.docx但是沒有使用擴展名進行相應標記，則可以使用.docx文件是壓縮文件集合的事實。 如下調整可能會有所幫助：

boolean isZip = new ZipInputStream( fileStream ).getNextEntry() != null;

其中fileStream是您要評估的任何文件或其他輸入流。 您可以通過查找關鍵的.docx條目來進一步評估壓縮文件。 一個很好的起始參考是Word Document（DOCX） 。 同樣，如果您知道它只是一個二進制文件，您可以測試Word的文件信息塊（請參閱Word（.doc）二進制文件格式 ）

Answer 2

您可以使用Apache Tika進行內容檢測。 但是你應該意識到這對於這么小的任務來說是一個巨大的框架（許多必需的依賴項）。

Answer 3

有一種方法，但沒有直截了當。 但是使用Apache POI，您可以找到它。

嘗試使用HWPFDocument類讀取.docx文件。 它會給你以下錯誤

org.apache.poi.poifs.filesystem.OfficeXmlFileException：提供的數據似乎在Office 2007+ XML中。 您正在調用處理OLE2 Office文檔的POI部分。 您需要調用POI的不同部分來處理此數據（例如，XSSF而不是HSSF）

String filePath = "C:\\XXXX\XXXX.docx";
FileInputStream inStream;
try {
    inStream = new FileInputStream(new File(filePath));
    HWPFDocument doc = new HWPFDocument(inStream);
    WordExtractor wordExtractor = new WordExtractor(doc);
    System.out.println("Getting words"+wordExtractor.getText());
} catch (Exception e) {
    System.out.print("Its not a .doc format");
}

可以使用XWPFDocument類讀取.docx。

Answer 4

為什么不使用Apache Tika ：

File file = new File('File Here');

  Tika tika = new Tika();

  String filetype = tika.detect(file);
  System.out.println(filetype);

Answer 5

假設您正在使用Apache POI，您有幾個選擇。

一種方法是獲取文件的前幾個字節，並使用hasPOIFSHeader（byte）方法詢問POIFSFileSystem 。 如果您有支持標記/重置的流，則可以改為使用POIFSFileSystem.hasPOIFSHeader（InputStream） 。 如果那些返回true則嘗試使用HWPF將其作為.doc HWPF ，否則嘗試使用XWPF作為.docx

否則，如果您更喜歡try / catch方式，請嘗試使用POIFSFileSystem打開它並捕獲OfficeXmlFileException - 如果它打開正常它是.doc ，如果您得到異常它是.docx

如果查看WorkbookFactory的源代碼，您將看到正在使用的第一個模式，您可以復制一組類似的邏輯表單，