docx - 如何使用 Apache POI 3.5 中新的 OOXML 支持从 DOCX 文件中提取纯文本？

Question

2009 年 9 月 28 日，Apache POI 项目发布了 3.5 版，正式支持 Office 2007 中引入的 OOXML 格式，如 DOCX 和 XLSX。

请提供一个代码示例，用于以纯文本格式提取 DOCX 文件的内容，忽略任何样式或格式。

我问这个是因为我找不到任何涵盖新 OOXML 支持的 Apache POI 示例。

Answer 1

这对我有用。确保添加所需的 jars（升级 xmlbeans 等）

public String extractText(InputStream in) throws Exception {
    XWPFDocument doc = new XWPFDocument(in);
    XWPFWordExtractor ex = new XWPFWordExtractor(doc);
    String text = ex.getText();
    return text;
}

Answer 2

这个比较通用

POITextExtractor poitex = ExtractorFactory.createExtractor(in);

返回 poitex.getText();