11

我在使用 Apache POI 时（以编程方式）从 MS Word 文件中获取的字符串与我在使用 MS Word 打开文件时可以看到的文本不同。

使用以下代码时：

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
HWPFDocument wordDoc = new HWPFDocument(inputStrm);
System.out.println(wordDoc.getText());

输出是包含许多“无效”字符（是的，“框”）和许多不需要的字符串的单行，例如“ FORMTEXT”、“ HYPERLINK \l "_Toc##########"”（“#”是数字）、“ PAGEREF _Toc########## \h 4”等。

以下代码“修复”了单行问题，但保留了所有无效字符和不需要的文本：

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
WordExtractor wordExtractor = new WordExtractor(inputStrm);
for(String paragraph:wordExtractor.getParagraphText()){
  System.out.println(paragraph);
}

我不知道我是否使用了错误的方法来提取文本，但这就是我在查看POI 的快速指南时想到的。如果我是，正确的方法是什么？

如果该输出是正确的，是否有摆脱不需要的文本的标准方法，还是我必须编写自己的过滤器？

4

3 回答 3

7

此类可以读取 Java 中的 .doc 和 .docx 文件。为此，我使用 tika-app-1.2.jar：

/*
 * This class is used to read .doc and .docx files
 * 
 * @author Developer
 *
 */

import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.InputStream;
import java.io.OutputStream;
import java.io.OutputStreamWriter;
import java.net.URL; 
import org.apache.tika.detect.DefaultDetector;
import org.apache.tika.detect.Detector;
import org.apache.tika.io.TikaInputStream;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;

class TextExtractor { 
    private OutputStream outputstream;
    private ParseContext context;
    private Detector detector;
    private Parser parser;
    private Metadata metadata;
    private String extractedText;

    public TextExtractor() {
        context = new ParseContext();
        detector = new DefaultDetector();
        parser = new AutoDetectParser(detector);
        context.set(Parser.class, parser);
        outputstream = new ByteArrayOutputStream();
        metadata = new Metadata();
    }

    public void process(String filename) throws Exception {
        URL url;
        File file = new File(filename);
        if (file.isFile()) {
            url = file.toURI().toURL();
        } else {
            url = new URL(filename);
        }
        InputStream input = TikaInputStream.get(url, metadata);
        ContentHandler handler = new BodyContentHandler(outputstream);
        parser.parse(input, handler, metadata, context); 
        input.close();
    }

    public void getString() {
        //Get the text into a String object
        extractedText = outputstream.toString();
        //Do whatever you want with this String object.
        System.out.println(extractedText);
    }

    public static void main(String args[]) throws Exception {
        if (args.length == 1) {
            TextExtractor textExtractor = new TextExtractor();
            textExtractor.process(args[0]);
            textExtractor.getString();
        } else { 
            throw new Exception();
        }
    }
}

编译：

javac -cp ".:tika-app-1.2.jar" TextExtractor.java

跑步：

java -cp ".:tika-app-1.2.jar" TextExtractor SomeWordDocument.doc
于 2012-08-17T08:53:43.927 回答
6

有两种选择，一种直接在 Apache POI 中提供，另一种通过 Apache Tika（内部使用 Apache POI）提供。

第一个选项是使用WordExtractor，但在调用stripFields(String)时将其包装在调用中。这将删除文本中包含的基于文本的字段，例如您看到的 HYPERLINK。您的代码将变为：

NPOIFSFileSystem fs = new NPOIFSFileSytem(file);
WordExtractor extractor = new WordExtractor(fs.getRoot());

for(String rawText : extractor.getParagraphText()) {
String text = extractor.stripFields(rawText);
System.out.println(text);
}

另一种选择是使用Apache Tika。Tika 为各种文件提供文本提取和元数据，因此相同的代码也适用于 .doc、.docx、.pdf 和许多其他文件。要获得干净、纯文本的 word 文档（如果您愿意，也可以使用 XHTML），您可以执行以下操作：

TikaConfig tika = TikaConfig.getDefaultConfig();
TikaInputStream stream = TikaInputStream.get(file);
ContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
tika.getParser().parse(input, handler, metadata, new ParseContext());
String text = handler.toString();
于 2012-04-22T18:56:21.247 回答
3

试试这个，对我有用，纯粹是一个 POI 解决方案。不过，您将不得不寻找 HWPFDocument 对应项。确保您正在阅读的文档早于 Word 97，否则像我一样使用 XWPFDocument。

InputStream inputstream = new FileInputStream(m_filepath); 
//read the file 
XWPFDocument adoc= new XWPFDocument(inputstream);
//and place it in a xwpf format

aString = new XWPFWordExtractor(adoc).getText();           
//gets the full text

现在，如果您想要某些部分，您可以使用 getparagraphtext 但不要使用文本提取器，直接在段落上使用它，如下所示

for (XWPFParagraph p : adoc.getParagraphs()) 
{ 
    System.out.println(p.getParagraphText());
}
于 2014-11-04T10:16:32.730 回答