java - 如何使用 Apache POI 读取 Java 中的 .DOC 文件以将图像与文本分开？

Question

我需要从 Java 中读取包含文本和图像的 Word .doc 文件。我需要识别图像和文本并将它们分成 2 个文件。

我最近听说过“Apache POI”。如何使用 Apache POI 读取 Word .doc 文件？

Answer 1

apache 网站上的示例和示例代码非常好。我建议你从那里开始。

http://poi.apache.org/hwpf/quick-guide.html

要获取特定的文本位，首先创建一个 org.apache.poi.hwpf.HWPFDocument。使用 getRange() 获取范围，然后从中获取段落。然后，您可以获得文本和其他属性。

这里以提取图像为例。 这是撰写本文时的最新版本。

当然，Javadocs

请注意，根据 POI 网站，

HWPF 仍处于早期开发阶段。

Answer 2

它不是免费的（甚至不是便宜的！），但Aspose.Words应该能够做到这一点。他们的评估下载将让您玩小文件。

目标文件是否也必须是 Docs？您可以在 Office 中打开文档并将它们保存为 HTML。然后分离变得微不足道。RTF 也是一个可行的选择，但我不推荐一个好的 RTF 解析器。

编辑说：我只记得另一个可能的解决方案：Jacob，但您需要在同一台机器上运行的 Office 实例。它是 Java COM Bridge 的缩写，它允许您调用 Office 中的 COM 库来操作文档。我相信它并不像听起来那么可怕！