java讀取word文檔,提取標題和內容的實例

更新時間：2020年10月10日 10:12:05 作者：星際毀滅

這篇文章主要介紹了java讀取word文檔,提取標題和內容的實例，具有很好的參考價值，希望對大家有所幫助。一起跟隨小編過來看看吧

使用的工具為poi，需要導入的依賴如下

<dependency>
   <groupId>org.apache.poi</groupId>
   <artifactId>poi</artifactId>
   <version>3.17</version>
  </dependency>
  <dependency>
   <groupId>org.apache.poi</groupId>
   <artifactId>poi-ooxml</artifactId>
   <version>3.17</version>
  </dependency>
  <dependency>
   <groupId>org.apache.poi</groupId>
   <artifactId>poi-scratchpad</artifactId>
   <version>3.17</version>
  </dependency>
  <dependency>
   <groupId>org.apache.poi</groupId>
   <artifactId>ooxml-schemas</artifactId>
   <version>1.1</version>
  </dependency>
  <dependency>
   <groupId>org.apache.poi</groupId>
   <artifactId>poi-ooxml-schemas</artifactId>
   <version>3.17</version>
  </dependency>

我采用的分離方式是根據(jù)字體大小判斷。尋找字體大小和下一段大小不同的段落，再一次判斷第二段和后邊的是否相同，相同則繼續(xù)，不同則輸出標題和內容。

因為有的文檔中存在多個標題，所以我在開始加了判斷，如果連續(xù)三個段落的字體大小遞減則該段落跳過。

而且文章存在目錄，經(jīng)過測試發(fā)現(xiàn)目錄的String中都包含了“HYPERLINK” 所以如果段落中包含該字符串則跳過。

代碼如下：

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<Policy_content> list = new ArrayList<>();
   InputStream is = new FileInputStream(new File("文件路徑")); //需要將文件路更改為word文檔所在路徑。
   POIFSFileSystem fs = new POIFSFileSystem(is);
   HWPFDocument document = new HWPFDocument(fs);
   Range range = document.getRange();
   CharacterRun run1 = null;//用來存儲第一行內容的屬性
   CharacterRun run2 = null;//用來存儲第二行內容的屬性
   int q=1;
   for (int i = 0; i < range.numParagraphs()-1; i++) {
    Paragraph para1 = range.getParagraph(i);// 獲取第i段
    Paragraph para2 = range.getParagraph(i+1);// 獲取第i段
    int t=i;    //記錄當前分析的段落數(shù)
    
    String paratext1 = para1.text().trim().replaceAll("\r\n", ""); //當前段落和下一段
    String paratext2 = para2.text().trim().replaceAll("\r\n", "");
    run1=para1.getCharacterRun(0);
    run2=para2.getCharacterRun(0);
    if (paratext1.length() > 0&&paratext2.length() > 0) {
      //這個if語句為的是去除大標題，連續(xù)三個段落字體大小遞減就跳過
      if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) {
       continue;
      }      
      //連續(xù)兩段字體格式不同
      if(run1.getFontSize()>run2.getFontSize()) {
       
       String content=paratext2;
       run1=run2; //從新定位run1 run2
       run2=range.getParagraph(t+2).getCharacterRun(0);
       t=t+1;
       while(run1.getFontSize()==run2.getFontSize()) {
        //連續(xù)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+"標題"+paratext1+"\t內容"+content);
        i=t;
        q++;
       }
        
      }
    }
   }
   
   
  } catch (Exception e) {
   e.printStackTrace();
  }
 }
 
}

補充知識：Java poi導入word文件提取內容

一、需求描述

java web項目從前臺上傳word格式文件，后臺接收文件并提取word內容保存至數(shù)據(jù)庫。

二、依賴jar包

這里操作的是maven項目，所有依賴jar包均可到maven倉庫進行免費下載。具體如下：

三、后臺代碼

這里的java_web項目采用SpringMVC的內置文件上傳方式進行接收解析，具體如下：

 /**
  * 提取word文件內容
  * @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 {
  // 獲取文件名
  String fileName = multfile.getOriginalFilename();
  //判斷是否為word類型文件
  if (!fileName.endsWith(".doc") && !fileName.endsWith(".docx")) {
   System.out.println("此文件不是word文件！");
  }
  //當前系統(tǒng)的臨時文件地址
  String realPath = request.getSession().getServletContext().getRealPath("/static/app/appkmbgszh/uploadFile");
  // 用uuid作為文件名，防止生成的臨時文件重復
  String fileAdd = UUID.randomUUID().toString() + ".docx";
  // 構建一個臨時文件
  File uploadFile = new File(realPath, fileAdd);
  //將上傳的MultipartFile格式文件轉換為創(chuàng)建的新文件
  multfile.transferTo(uploadFile);
  //獲取新文件的絕對路徑
  String filePath = uploadFile.getAbsolutePath();
 
  String buffer = "";
  JSONObject msg = new JSONObject();
  try {
   InputStream inIo = new FileInputStream(uploadFile);
   //提取文本內容
   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();
   }
   //刪除上傳存放的臨時文件
   uploadFile.delete();
   msg.put("status", true);
   msg.put("msg", buffer);
  } catch (Exception e) {
   e.printStackTrace();
   msg.put("status", false);
   msg.put("msg", "文件內容提取失敗");
  }
  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;
 }

以上這篇java讀取word文檔,提取標題和內容的實例就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持腳本之家。

您可能感興趣的文章: