博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Tika解析word文件
阅读量:5293 次
发布时间:2019-06-14

本文共 3474 字,大约阅读时间需要 11 分钟。

Apache POI - HWPF and XWPF - Java API to Handle Microsoft Word Files

 对Doc文件的解析

需要poi-scratchpad/3.7.jar

POI-HWPF - A Quick Guide

基本的文本提取

有两个输入参数:inputstream,HWPFDocument,

getText()方法是得到所有的文本内容,

getParagraphText()是得到每一段的文本内容,

getTextFromPieces()是得到每一页的文本内容

特定文本属性提取

To get specific bits of text, first create a org.apache.poi.hwpf.HWPFDocument. Fetch the range with getRange(), then get paragraphs from that. You can then get text and other properties.

第一步:创建HWPFDocument

第二步:得到Range

getRange(): Returns the range which covers the whole of the document, but excludes any headers(页眉) and footers(页脚).

 

 int ()            Used to get the number of paragraphs in a range.

 

 int ()            Used to get the number of sections in a range(这个是“节”,就是插入、分隔符中的“节”

第三步:得到段落

getParagraph():

getText()

public static void main(String[] args) throws Exception {        InputStream istream = new FileInputStream(                "e:\\Users\\ywf\\Desktop\\文本校对\\1.docx");        HWPFDocument doc = new HWPFDocument(istream);        Range range = doc.getRange();// Returns the range which covers the whole                                        // of the document, but excludes any                                        // headers and footers.        for (int i = 0; i < range.numParagraphs(); i++) {            Paragraph poiPara = range.getParagraph(i);            int j = 0;            while (true) {                CharacterRun run = poiPara.getCharacterRun(j++);                System.out.println("Color " + run.getColor());//颜色                System.out.println("Font size " + run.getFontSize());//字体大小                System.out.println("Font Name " + run.getFontName());//字体名称                System.out.println(run.isBold() + " " + run.isItalic() + " "                        + run.getUnderlineCode());//加粗,斜体,下划线                System.out.println("Text is " + run.text());//文本内容                if (run.getEndOffset() == poiPara.getEndOffset()) {                    break;                }            }        }    }

对Docx文件的解析

需要poi-ooxml/3.7.jar

package test;import java.io.FileInputStream;import java.io.FileNotFoundException;import java.io.InputStream;import java.util.ArrayList;import java.util.List;import org.apache.poi.hwpf.HWPFDocument;import org.apache.poi.hwpf.usermodel.CharacterRun;import org.apache.poi.hwpf.usermodel.Paragraph;import org.apache.poi.hwpf.usermodel.Range;import org.apache.poi.xwpf.usermodel.XWPFDocument;import org.apache.poi.xwpf.usermodel.XWPFParagraph;import org.apache.poi.xwpf.usermodel.XWPFRun;public class ParseWordDocxTest {    /**     * @param args     * @throws Exception     */    public static void main(String[] args) throws Exception {        InputStream istream = new FileInputStream(                "e:\\Users\\ywf\\Desktop\\文本校对\\1.docx");        XWPFDocument docx = new XWPFDocument(istream);        List
paraGraph = docx.getParagraphs(); for(XWPFParagraph para :paraGraph ){ List
run = para.getRuns(); for(XWPFRun r : run){ int i = 0; System.out.println("字体颜色:"+r.getColor()); System.out.println("字体名称:"+r.getFontFamily()); System.out.println("字体大小:"+r.getFontSize()); System.out.println("Text:"+r.getText(i++)); System.out.println("粗体?:"+r.isBold()); System.out.println("斜体?:"+r.isItalic()); } } }}

 

转载于:https://www.cnblogs.com/yuwenfeng/p/3624937.html

你可能感兴趣的文章
nagios通过脚本对系统进行定制监控
查看>>
jquery判断点击鼠标左、中、右键事件
查看>>
java线程池原理
查看>>
为什么子类的构造方法在运行之前,必须调用父类的构造方法?能不能反过来?为什么不能反过来?...
查看>>
Could not resolve view with name '***' in servlet with name 'dispatcher'
查看>>
springBoot配置elasticsearch搜索
查看>>
Chapter 3 Phenomenon——12
查看>>
MyBatis源码解析【6】SqlSession运行
查看>>
中小学教育缴费遇到的一些问题
查看>>
FAIR开源Detectron:整合全部顶尖目标检测算法
查看>>
C语言中求最大最小值的库函数
查看>>
SRS
查看>>
14.typescript-类与接口
查看>>
js学习(精华帖)
查看>>
和小哥哥一起刷洛谷(1)
查看>>
分享squid缓存服务器配置-之conf配置文件的详细介绍
查看>>
jQuery教程详解(一)
查看>>
jquery对id中含有特殊字符的转义处理
查看>>
DP学习之路(1) 01背包
查看>>
获取元素样式信息于三中获取方式的区别
查看>>