java - 在 Java 中将 Microsoft Word 文档读取为纯文本（DOC、DOCX）

Question

我正在寻找用 Java 读取 Word 文档以处理其文本的内容。我所需要的只是文本，没有什么花哨的。我知道 Apache POI，但是它现在不包括对 DOCX 的支持，有什么吗？

score 5 · Accepted Answer

如果您不需要格式化信息、图像和所有其他花哨的东西，那么这项工作就容易多了。只需大约 5 到 10 行代码即可。

将 DOCX 视为 zip 文件。它由一堆文件组成，其中包括“document.xml”。使用 ZipInputStream 并单独提取该文件。（您可以使用您最喜欢的 zip 实用程序并打开 docx 并亲自查看！）
使用 SAX 解析器并读取节点 body/p/r/t 之间的内容 - 瞧，你得到了文本！

这仅在您只需要文本时适用。

score 3 · Accepted Answer

通过一些谷歌搜索，我找到了 OpenXML4J。这可能会解决您的问题。在我确信社区中的某个人会有更好的洞察力之前，我没有使用过这个。

注意：这是一个重复的问题。这有解决方案和一些讨论。链接到问题。

score 2 · Accepted Answer

试试apache poi - 它可以处理 doc、docx、xls、xlsx、ppt、pptx。

另一个生产级解决方案是无头模式下的 OpenOffice，它甚至可以在服务器端场景中使用。

score 1 · Accepted Answer

4 回答 4