import org.apache.poi.POITextExtractor; import org.apache.poi.hwpf.extractor.WordExtractor; //得到.doc文件提取器 org.apache.poi.hwpf.extractor.WordExtractor doc = new WordExtractor(new FileInputStream(filePath)); //提取.doc正文文本 String text = doc.getText(); //提取.doc批注 String[] comments = doc. getCommentsText(); 2007 import org.apache.poi.POITextExtractor; import org.apache.poi.xwpf.extractor.XWPFWordExtractor; import org.apache.poi.xwpf.usermodel.XWPFComment; import org.apache.poi.xwpf.usermodel.XWPFDocument; //得到.docx文件提取器 org.apache.poi.xwpf.extractor.XWPFWordExtractor docx = new XWPFWordExtractor(POIXMLDocument.openPackage(filePath)); //提取.docx正文文本 String text = docx.getText(); //提取.docx批注 org.apache.poi.xwpf.usermodel.XWPFComment[] comments = docx.getDocument()).getComments(); for(XWPFComment comment:comments){ comment.getId();//提取批注Id comment.getAuthor();//提取批注修改人 comment.getText();//提取批注內(nèi)容 } 五:利用POI提取Word總頁(yè)數(shù)、總字符數(shù)... 97-2003 WordExtractor doc = new WordExtractor(new FileInputStream(filePath));//.doc格式Word文件提取器 int pages = doc.getSummaryInformation().getPageCount();//總頁(yè)數(shù) int wordCount = doc.getSummaryInformation().getWordCount();//總字符數(shù) 2007: XWPFDocument docx = nnew XWPFDocument(POIXMLDocument.openPackage(filePath)); int pages = docx.getProperties().getExtendedProperties().getUnderlyingProperties().getPages();//總頁(yè)數(shù) int characters = docx.getProperties().getExtendedProperties().getUnderlyingProperties().getCharacters();// 忽略空格的總字符數(shù) 另外還有g(shù)etCharactersWithSpaces()方法獲取帶空格的總字?jǐn)?shù)。
小技巧:
2007采用了全新的OFFICE OPEN XML格式來(lái)存儲(chǔ),跟以前二進(jìn)制文件格式的office 97-2003(.doc、.xls...)不同,所以可以直接重命名xx.docx的文件為xx.zip,用WinRar打開可以看到office2007的存儲(chǔ)文件,其中word/document.xml里面保存了最重要的正文內(nèi)容,word/comments.xml保存的是批注內(nèi)容,可以多研究一下這些文件,有助于開發(fā)~
Office Open XML 文件格式簡(jiǎn)介 www.microsoft.com/china/msdn/library/office/office/OfficeOpenXMLFormats.mspx
隨著20世紀(jì)90年代XML的出現(xiàn),企業(yè)計(jì)算客戶開始逐漸認(rèn)識(shí)到,在他們所依賴的計(jì)算機(jī)產(chǎn)品和應(yīng)用中采用開放的格式和標(biāo)準(zhǔn)所帶來(lái)的商業(yè)價(jià)值。IT專業(yè)人員將從通用的數(shù)據(jù)格式中受益匪淺,這種格式可能是XML,因?yàn)樗鼡碛斜粦?yīng)用程序、平臺(tái)和Internet瀏覽器讀取的能力。
同樣,隨著在Microsoft Office 2000中對(duì)于XML格式的支持與采用,開發(fā)人員開始認(rèn)識(shí)到,他們需要將以前的Microsoft Office版本中的二進(jìn)制文件格式轉(zhuǎn)換為XML格式。二進(jìn)制文件(.doc,.dot,.xls,以及.ppt文件)在過去幾年中一直肩負(fù)著存儲(chǔ)和轉(zhuǎn)換數(shù)據(jù)的重任,而現(xiàn)在它們無(wú)法滿足新的市場(chǎng)需求的挑戰(zhàn),其中包括輕松地在異構(gòu)應(yīng)用之間傳遞數(shù)據(jù),以及允許用戶從這些數(shù)據(jù)中搜集商業(yè)信息。
2007 Microsoft Office system為Microsoft Office Excel 2007,Microsoft Office Word 2007,和Microsoft Office PowerPoint 2007采用了基于XML的文件格式,從而延續(xù)了這種轉(zhuǎn)移。新的文件格式,稱為Office Open XML格式,解決了上述市場(chǎng)需求的問題,同時(shí)改變了您基于Microsoft Office文檔建立解決方案的方式
POI是Apache的一個(gè)開源項(xiàng)目,可以到Apache網(wǎng)站下載相應(yīng)的jar包文件,及其源文件。
POI提供了提取一些非TXT文本中文本內(nèi)容的API,比如提取Word,Excel等,使用起來(lái)非常方便。
為了說(shuō)明POI提起Word文件的方便和簡(jiǎn)單,通過提取一個(gè)Word文件的文本來(lái),來(lái)了解POI API的功能。
假設(shè)在本地磁盤中存在一個(gè)Word文件
E:\POI\word\JBoss3.0 下配置和部署EJB簡(jiǎn)介.doc文件是具有格式的,內(nèi)容如圖所示:
下面看看提取它的內(nèi)容是多么簡(jiǎn)單。
首先從Apache網(wǎng)站上下載POI的相關(guān)jar包。
新建一個(gè)測(cè)試類:
package org.shirdrn.word; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import org.apache.poi.hwpf.extractor.WordExtractor; public class MyWordExtractor { public static void main(String[] args) { File file = new File("E:\\POI\\word\\JBoss3.0 下配置和部署EJB簡(jiǎn)介.doc"); try { FileInputStream fis = new FileInputStream(file); WordExtractor wordExtractor = new WordExtractor(fis); System.out.println("【 使用getText()方法提取的Word文件的內(nèi)容如下所示:】"); System.out.println(wordExtractor.getText()); } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } } }
?
提取Word文件的文本內(nèi)容,打印到控制臺(tái)上,如下所示:
使用WordExtractor類的getTextFromPieces()方法提取:
wordExtractor.getTextFromPieces();
結(jié)果和上面是一樣的。
WordExtractor類還有一個(gè)可以提取Word文件的各個(gè)段落的方法getParagraphText(),返回一個(gè)String[]數(shù)組,數(shù)組中每個(gè)元素為一個(gè)段的文本內(nèi)容。
這里,對(duì)Word文件中換行也看成是一個(gè)段,測(cè)試如下:
package org.shirdrn.word; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import org.apache.poi.hwpf.extractor.WordExtractor; public class MyWordExtractor { public static void main(String[] args) { File file = new File("E:\\POI\\word\\JBoss3.0 下配置和部署EJB簡(jiǎn)介.doc"); try { FileInputStream fis = new FileInputStream(file); WordExtractor wordExtractor = new WordExtractor(fis); System.out.println("【 使用getText()方法提取的Word文件的內(nèi)容如下所示:】"); String[] paragraph = wordExtractor.getParagraphText(); System.out.println("該Word文件共有"+paragraph.length+"段。"); for(int i=0;i<paragraph.length;i++){ System.out.println("< 第 "+(i+1)+" 段的內(nèi)容為 >"); System.out.println(paragraph[i]); } } catch (FileNotFoundException e) { e.printStackTrace(); } catch (IOException e) { e.printStackTrace(); } } }
提取Word文件的文本內(nèi)容,打印到控制臺(tái)上,如下所示:
從上面的Word文件可以看出,最后一行是Word文件的一個(gè)換行符,使用WordExtractor提取時(shí),也把它默認(rèn)成為一個(gè)段,因?yàn)橐粋€(gè)段結(jié)束后應(yīng)該有一個(gè)回車換行符。
如果有多個(gè)Word文件,而且放在不同的目錄下,要提取它們的文本內(nèi)容,可以實(shí)現(xiàn)一個(gè)遞歸的函數(shù),通過深度遍歷,為每一個(gè)Word文件進(jìn)行提取。
如果需要,可以將提取到的Word文件的文本內(nèi)容輸出到本地磁盤中,比如以txt記事本的根式保存。
從上面可以看出,提取Word文件的文本內(nèi)容,實(shí)際上是將Word文件的格式去掉了,獲取到文本的內(nèi)容。
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索:z360901061

微信掃一掃加我為好友
QQ號(hào)聯(lián)系: 360901061
您的支持是博主寫作最大的動(dòng)力,如果您喜歡我的文章,感覺我的文章對(duì)您有幫助,請(qǐng)用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧,狠狠點(diǎn)擊下面給點(diǎn)支持吧,站長(zhǎng)非常感激您!手機(jī)微信長(zhǎng)按不能支付解決辦法:請(qǐng)將微信支付二維碼保存到相冊(cè),切換到微信,然后點(diǎn)擊微信右上角掃一掃功能,選擇支付二維碼完成支付。
【本文對(duì)您有幫助就好】元
