java读取word文档,提取标题和内容的实例

java读取word文档,提取标题和内容的实例

使用的工具为poi，需要导入的依赖如下

org.apache.poi

poi

3.17

org.apache.poi

poi-ooxml

3.17

org.apache.poi

poi-scratchpad

3.17

org.apache.poi

ooxml-schemas

1.1

org.apache.poi

poi-ooxml-schemas

3.17

我采用的分离方式是根据字体大小判断。寻找字体大小和下一段大小不同的段落，再一次判断第二段和后边的是否相同，相同则继续，不同则输出标题和内容。

因为有的文档中存在多个标题，所以我在开始加了判断，如果连续三个段落的字体大小递减则该段落跳过。

而且文章存在目录，经过测试发现目录的String中都包含了“HYPERLINK” 所以如果段落中包含该字符串则跳过。

代码如下：

package com.w.test;

import java.io.File;

import java.io.FileInputStream;

import java.io.InputStream;

import java.util.ArrayList;

import java.util.List;

import java.util.regex.Matcher;

import java.util.regex.Pattern;

import org.apache.poi.POIXMLDocument;

import org.apache.poi.POIXMLTextExtractor;

import org.apache.poi.hwpf.HWPFDocument;

import org.apache.poi.hwpf.extractor.WordExtractor;

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.openxml4j.opc.OPCPackage;

import org.apache.poi.poifs.filesystem.POIFSFileSystem;

import org.apache.poi.xwpf.extractor.XWPFWordExtractor;

import org.apache.poi.xwpf.usermodel.XWPFDocument;

import org.apache.poi.xwpf.usermodel.XWPFParagraph;

import org.apache.poi.xwpf.usermodel.XWPFRun;

import com.example.model.Policy_content;

public class GetWord {

public static void main(String[] args) {

// TODO Auto-generated method stub

try {

List list = new ArrayList<>();

InputStream is = new FileInputStream(new File("文件路径")); //需要将文件路更改为word文档所在路径。

POIFSFileSystem fs = new POIFSFileSystem(is);

HWPFDocument document = new HWPFDocument(fs);

Range range = document.getRange();

CharacterRun run1 = null;//用来存储第一行内容的属性

CharacterRun run2 = null;//用来存储第二行内容的属性

int q=1;

for (int i = 0; i < range.numParagraphs()-1; i++) {

Paragraph para1 = range.getParagraph(i);// 获取第i段

Paragraph para2 = range.getParagraph(i+1);// 获取第i段

int t=i; //记录当前分析的段落数

String paratext1 = para1.text().trim().replaceAll("\r\n", ""); //当前段落和下一段

String paratext2 = para2.text().trim().replaceAll("\r\n", "");

run1=para1.getCharacterRun(0);

run2=para2.getCharacterRun(0);

if (paratext1.length() > 0&&paratext2.length() > 0) {

//这个if语句为的是去除大标题，连续三个段落字体大小递减就跳过

if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) {

continue;

}

//连续两段字体格式不同

if(run1.getFontSize()>run2.getFontSize()) {

String content=paratext2;

run1=run2; //从新定位run1 run2

run2=range.getParagraph(t+2).getCharacterRun(0);

t=t+1;

while(run1.getFontSize()==run2.getFontSize()) {

//连续的相同

content+=range.getParagraph(t+1).text().trim().replaceAll("\r\n", "");

run1=run2;

run2=range.getParagraph(t+2).getCharacterRun(0);

t++;

}

if(paratext1.indexOf("HYPERLINK")==-1&&content.indexOf("HYPERLINK")==-1) {

System.out.println(q+"标题"+paratext1+"\t内容"+content);

i=t;

q++;

}

}

}

}

} catch (Exception e) {

e.printStackTrace();

}

}

}

补充知识：Java poi导入word文件提取内容

一、需求描述

java web项目从前台上传word格式文件，后台接收文件并提取word内容保存至数据库。

二、依赖jar包

这里操作的是maven项目，所有依赖jar包均可到maven仓库进行免费下载。具体如下：

三、后台代码

这里的java_web项目采用SpringMVC的内置文件上传方式进行接收解析，具体如下：

/**

* 提取word文件内容

* @param file

* @param request

* @return

* @throws IOException

* @throws IllegalStateException

*/

@RequestMapping(value = "/getPapers", method = RequestMethod.POST, produces = { "text/html;charset=utf-8" })

@ResponseBody

private Object getPapers(@RequestParam("file") MultipartFile multfile，HttpServletRequest request) throws IllegalStateException, IOException {

// 获取文件名

String fileName = multfile.getOriginalFilename();

//判断是否为word类型文件

if (!fileName.endsWith(".doc") && !fileName.endsWith(".docx")) {

System.out.println("此文件不是word文件！");

}

//当前系统的临时文件地址

String realPath = request.getSession().getServletContext().getRealPath("/static/app/appkmbgszh/uploadFile");

// 用uuid作为文件名，防止生成的临时文件重复

String fileAdd = UUID.randomUUID().toString() + ".docx";

// 构建一个临时文件

File uploadFile = new File(realPath, fileAdd);

//将上传的MultipartFile格式文件转换为创建的新文件

multfile.transferTo(uploadFile);

//获取新文件的绝对路径

String filePath = uploadFile.getAbsolutePath();

String buffer = "";

jsONObject msg = new JSONObject();

try {

InputStream inIo = new FileInputStream(uploadFile);

//提取文本内容

if (fileName.endsWith(".doc")) {

WordExtractor ex = new WordExtractor(inIo);

buffer = ex.getText();

ex.close();

} else if (fileName.endsWith(".docx")) {

OPCPackage opcPackage = POIXMLDocument.openPackage(filePath);

POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);

buffer = extractor.getText();

extractor.close();

}

//删除上传存放的临时文件

uploadFile.delete();

msg.put("status", true);

msg.put("msg", buffer);

} catch (Exception e) {

e.printStackTrace();

msg.put("status", false);

msg.put("msg", "文件内容提取失败");

}

return retString(msg);

}

/**

* json格式化;

* @param ret

* @return

*/

private String retString(JSONObject ret) {

String jsoStr = "";

try {

jsoStr = JSON.json(ret);

} catch (IOException e) {

e.printStackTrace();

return jsoStr;

}

return jsoStr;

}

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。