Flask接口签名sign原理与实例代码浅析
741
2022-11-18
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
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
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&¶text2.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。
发表评论
暂时没有评论,来抢沙发吧~