用Apache POI提取Word文本

编程语言Java

POI版本为3.17 ，jar包可自行去官网下载

达到的最终效果是：去除Word中的表格、超文本、页眉、页脚、取出第一张图片存入硬盘并返回地址；同时也对doc直接修改扩展名为docx以及docx直接修改扩展名为doc这两种情况进行处理（通过捕获异常方式）。

我们的项目需求是只要一张图片，你当然可以取任意张。但注意docx文件取出的图片不是顺序的，要想按顺序读出图片请参考：https://www.cnblogs.com/ct-csu/p/8178932.html

参考文献：

http://poi.apache.org/components/document/index.html

http://poi.apache.org/apidocs/dev/org/apache/poi/hwpf/

http://poi.apache.org/apidocs/dev/org/apache/poi/xwpf/

/*** @Description: 提取word内容* @param @param path* @param @return* @return String* @author lidw* @date 2018年12月25日*/
public String doWordExtract(String path) {// String path = "D:\\temp\\temp\\test.doc";JSONObject jsonObject = new JSONObject();String content = null;String text = "";File file = new File(path);if (file.exists() && file.isFile()) {InputStream is = null;HWPFDocument doc = null;XWPFDocument docx = null;POIXMLTextExtractor extractor = null;try {is = new FileInputStream(file);if (path.endsWith(".doc")) {try {doc = new HWPFDocument(is);WordExtractor ex = new WordExtractor(doc);String[] Str = ex.getParagraphText();//通过获取段落的方式可以去页眉和页脚for (String str : Str) {if (str.indexOf("") == -1) {//去表格text += ex.stripFields(str);}}jsonObject.put("txt",text.replaceAll("|\r| ", "").replaceAll("\n", "_|_").replaceAll("[_|_]+", "_|_"));PicturesTable picturesTable = doc.getPicturesTable();List<Picture> pictures = picturesTable.getAllPictures();if (pictures == null || pictures.size() == 0) {jsonObject.put("picUrl", "");} else {// String s = new SimpleDateFormat("yyyyMMdd_HHmmss_").format(new Date());Picture picture = pictures.get(0);//Linux路径用/，Windows路径用\\，如/home/java_pic/和D:\\Desktop\\doc\\String picUrl = "/home/java_pic/" + UUID.randomUUID() + "."+ picture.suggestFileExtension();OutputStream out = new FileOutputStream(new File(picUrl));picture.writeImageContent(out);out.close();jsonObject.put("picUrl", picUrl);}} catch (OfficeXmlFileException e) {// 捕获docx文件直接将扩展名修改为doc造成的异常，按照docx文件解析is = new FileInputStream(file);docx = new XWPFDocument(is);List<XWPFParagraph> Str = docx.getParagraphs();//通过获取段落的方式可以去页眉和页脚List<String> picUrls = new ArrayList<String>();for (XWPFParagraph str : Str) {text += str.getText();text += "_|_";}jsonObject.put("txt",text.replaceAll("|\r| ", "").replaceAll("\n", "_|_").replaceAll("[_|_]+", "_|_"));List<XWPFPictureData> pictures = docx.getAllPictures();if (pictures == null || pictures.size() == 0) {jsonObject.put("picUrl", "");} else {XWPFPictureData picture = pictures.get(0);byte[] bytev = picture.getData();String picUrl = "/home/java_pic/" + UUID.randomUUID() + "."+ picture.suggestFileExtension();OutputStream out = new FileOutputStream(new File(picUrl));out.write(bytev);out.close();jsonObject.put("picUrl", picUrl);}}} else if (path.endsWith("docx")) {try {docx = new XWPFDocument(is);List<XWPFParagraph> Str = docx.getParagraphs();//通过获取段落的方式可以去页眉和页脚List<String> picUrls = new ArrayList<String>();for (XWPFParagraph str : Str) {text += str.getText();text += "_|_";}jsonObject.put("txt",text.replaceAll("|\r| ", "").replaceAll("\n", "_|_").replaceAll("[_|_]+", "_|_"));List<XWPFPictureData> pictures = docx.getAllPictures();if (pictures == null || pictures.size() == 0) {jsonObject.put("picUrl", "");} else {XWPFPictureData picture = pictures.get(0);byte[] bytev = picture.getData();String picUrl = "/home/java_pic/" + UUID.randomUUID() + "."+ picture.suggestFileExtension();OutputStream out = new FileOutputStream(new File(picUrl));out.write(bytev);out.close();jsonObject.put("picUrl", picUrl);}} catch (OLE2NotOfficeXmlFileException e) {// 捕获doc文件直接将扩展名修改为docx造成的异常，按照doc文件解析is = new FileInputStream(file);doc = new HWPFDocument(is);WordExtractor ex = new WordExtractor(doc);String[] Str = ex.getParagraphText();//通过获取段落的方式可以去页眉和页脚for (String str : Str) {if (str.indexOf("") == -1) {//去表格text += ex.stripFields(str);}}jsonObject.put("txt",text.replaceAll("|\r| ", "").replaceAll("\n", "_|_").replaceAll("[_|_]+", "_|_"));PicturesTable picturesTable = doc.getPicturesTable();List<Picture> pictures = picturesTable.getAllPictures();if (pictures == null || pictures.size() == 0) {jsonObject.put("picUrl", "");} else {Picture picture = pictures.get(0);String picUrl = "/home/java_pic/" + UUID.randomUUID() + "."+ picture.suggestFileExtension();OutputStream out = new FileOutputStream(new File(picUrl));picture.writeImageContent(out);out.close();jsonObject.put("picUrl", picUrl);}}} else {System.out.println("此文件不是word文件！");}} catch (FileNotFoundException e) {} catch (IOException e) {} finally {try {if (doc != null) {doc.close();}if (extractor != null) {extractor.close();}if (docx != null) {docx.close();}if (is != null) {is.close();}} catch (IOException e) {}}}return jsonObject.toString();
}

用Apache POI提取Word文本相关推荐

Java poi之word文本图片内容提取
目录结构前言文档准备引入Maven依赖代码块提取结果验证孤勇者提取结果青鸟提取结果对比前言应公司需求,需实现以下功能 word文本内容的替换: word文本内容的提取: word文档 ...
java word apache poi 操作word模板。
apache poi 操作word模板. 操作方式: 1.对于固定格,可以遍历格子然后替换其中指定的值例如在要替换的cell写入${example} 这样格式,遍历到之后替换. 2.对于需要增长的表格 ...
使用java Apache poi 根据word模板生成word报表
使用java Apache poi 根据word模板生成word报表使用poi读取word模板,替换word中的{text}标签,并根据自定义标签循环生成表格或表格中的行. 代码示例下载:https ...
[实用][更新中]Java Apache POI 打印Word文档工具（含文本替换，动态表格功能）
[实用][更新中]Java Apache POI 打印Word文档工具(含文本替换,动态表格功能) 基于Apache POI对Word进行操作一.基于Apache POI封装的word文档工具V1. ...
关于Apache / poi 生成word文档之后不能正常换行的问题
近期公司项目有个把文本转成word文档的功能,开始使用io操作输出文件的方式(后缀名是docx),使用手机自带的文档浏览工具打开是没有问题的,但是在电脑上用微软office就打开有问题了,于是找了三方 ...
apache poi使用例_使用java Apache poi 根据word模板生成word报表例子
[实例简介] 使用java Apache poi 根据word模板生成word报表仅支持docx格式的word文件,大概是word2010及以后版本,doc格式不支持. 使用说明:https://b ...
JAVA - 使用Apache POI生成word（二）设置纸张大小、调整纸张方向
JAVA - 使用Apache POI生成word(二) 设置纸张大小.调整纸张方向前言之前开发时,需要将纸张方向由纵向改为横向,查询资料得出只需要设置一下纸张的长度与宽度便可实现相同的效果. 1 ...
JAVA - 使用Apache POI生成word（三）设置页边距
JAVA - 使用Apache POI生成word(三)设置页边距 1. pom引入依赖 <dependency><groupId>org.apache.poi</gro ...
Apache POI（Word）教程_编程入门自学教程_菜鸟教程-免费教程分享
教程简介 IT宝库整理的Apache POI Word入门教程 - 从基本到高级概念的简单简单步骤学习Apache POI Word,其中包括概述,Apache POI安装,核心类,文档,段落,边框, ...
org.apache.poi往word模板中填充数据（word2003）
Apache POI是Apache软件基金会的开放源码函式库,POI提供API给Java程序对Microsoft Office格式档案读和写的功能.通过字面意思,我们大概知道这个API是可以用来做 j ...

用Apache POI提取Word文本

用Apache POI提取Word文本相关推荐

最新文章

热门文章