Java如何提取格式/扩展名不匹配的XLS文件文本？

你遇到的错误是因为文件后缀与实际格式不匹配：你命名为Export.xls的文件并非标准的Excel 97-2003（OLE2格式）文件，从错误日志里的头签名0x6D78206C6D74683C可推断，它实际是HTML格式（转成ASCII是<html xm），只是被改成了.xls后缀。Excel能打开是因为它会自动检测文件真实格式，而你原代码里的HSSFWorkbook仅支持标准OLE2格式的XLS文件，因此抛出无效头签名错误。

通过自动识别文件真实格式，选择对应的解析方式即可解决问题。以下提供两种可行实现：

方案1：使用POI自动工厂类+HTML解析 fallback #

先尝试用POI的WorkbookFactory处理标准XLS/XLSX文件，失败则用jsoup解析HTML格式的表格内容：

依赖准备（Maven） #

<dependencies>
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi</artifactId>
        <version>5.2.5</version>
    </dependency>
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-ooxml</artifactId>
        <version>5.2.5</version>
    </dependency>
    <dependency>
        <groupId>org.jsoup</groupId>
        <artifactId>jsoup</artifactId>
        <version>1.17.2</version>
    </dependency>
</dependencies>

代码实现 #

import org.apache.poi.ss.usermodel.Workbook;
import org.apache.poi.ss.usermodel.WorkbookFactory;
import org.apache.poi.ss.extractor.ExcelExtractor;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

public class ExcelTextExtractor {
    public static void main(String[] args) {
        File expFile = new File("Export.xls");
        String expFileText = "";

        // 尝试用POI处理标准Excel格式
        try (FileInputStream fis = new FileInputStream(expFile)) {
            Workbook workbook = WorkbookFactory.create(fis);
            ExcelExtractor extractor = ExcelExtractor.createExtractor(workbook);
            expFileText = extractor.getText();
        } catch (Exception e) {
            // 失败则尝试解析HTML表格
            try {
                Document doc = Jsoup.parse(expFile, "UTF-8");
                StringBuilder sb = new StringBuilder();
                Elements tables = doc.select("table");
                for (Element table : tables) {
                    Elements rows = table.select("tr");
                    for (Element row : rows) {
                        Elements cells = row.select("td, th");
                        for (Element cell : cells) {
                            sb.append(cell.text()).append("\t");
                        }
                        sb.append("\n");
                    }
                }
                expFileText = sb.toString();
            } catch (IOException ioException) {
                ioException.printStackTrace();
            }
        }

        System.out.println("Export xls file text: " + expFileText);
    }
}

方案2：先检测文件头，精准匹配解析方式 #

读取文件前8字节判断真实格式，再选择对应解析逻辑，避免try-catch的开销：

代码实现 #

import org.apache.poi.hssf.extractor.ExcelExtractor;
import org.apache.poi.hssf.usermodel.HSSFWorkbook;
import org.apache.poi.xssf.usermodel.XSSFWorkbook;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

public class ExcelTextExtractor {
    public static void main(String[] args) {
        File expFile = new File("Export.xls");
        String expFileText = "";

        try {
            String fileHeader = getFileHeader(expFile);
            try (FileInputStream fis = new FileInputStream(expFile)) {
                if (fileHeader.startsWith("D0CF11E0A1B11AE1")) {
                    // 标准Excel 97-2003格式
                    HSSFWorkbook hwb = new HSSFWorkbook(fis);
                    ExcelExtractor extractor = new ExcelExtractor(hwb);
                    expFileText = extractor.getText();
                } else if (fileHeader.startsWith("504B0304")) {
                    // XLSX格式（后缀被修改为xls）
                    XSSFWorkbook xwb = new XSSFWorkbook(fis);
                    ExcelExtractor extractor = new ExcelExtractor(xwb);
                    expFileText = extractor.getText();
                } else if (fileHeader.startsWith("3C68746D6C")) {
                    // HTML格式（后缀被修改为xls）
                    Document doc = Jsoup.parse(expFile, "UTF-8");
                    StringBuilder sb = new StringBuilder();
                    Elements tables = doc.select("table");
                    for (Element table : tables) {
                        Elements rows = table.select("tr");
                        for (Element row : rows) {
                            Elements cells = row.select("td, th");
                            for (Element cell : cells) {
                                sb.append(cell.text()).append("\t");
                            }
                            sb.append("\n");
                        }
                    }
                    expFileText = sb.toString();
                } else {
                    throw new IOException("不支持的文件格式");
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }

        System.out.println("Export xls file text: " + expFileText);
    }

    // 获取文件前8字节的十六进制头
    private static String getFileHeader(File file) throws IOException {
        try (FileInputStream fis = new FileInputStream(file)) {
            byte[] header = new byte[8];
            fis.read(header);
            StringBuilder sb = new StringBuilder();
            for (byte b : header) {
                sb.append(String.format("%02X", b));
            }
            return sb.toString();
        }
    }
}

• WorkbookFactory.create()会自动识别标准XLS/XLSX格式，无需手动指定HSSF或XSSF类。
• HTML格式的文件通过jsoup解析表格，模拟Excel打开时的内容提取逻辑，保证内容一致性。

内容的提问来源于stack exchange，提问作者AutoTester999