Apache POI: Извлечение текста из файла Word в Java

В этом руководстве мы рассмотрим два различных способа чтения файла Word на java с расширением doc или docx, а также способы извлечения их текстового содержимого.

Прежде чем начать, вам нужно загрузить API Apache POI.

Чтение файла Word .doc с помощью WordExtractor

Apache POI использует класс WordExtractor  который позволяет извлекать содержимое всего файла Word на каждую страницу doc-файла. Убедитесь, что файл имеет расширение .doc и датирован MS-Word 97-2003. Класс WordExtractor позволяет извлекать весь текст в документе Word, включая абзацы, таблицы, верхние и нижние колонтитулы на каждой странице.

Необходимо использовать getParagraphText() или getText() для извлечения текста из файла Word в виде массива, в котором каждое поле массива содержит абзац типа String.

Класс  HWPFDocument  Принимает поток воспроизведения в файл в качестве параметра. Этот класс играет роль бакета, так как мы помещаем всю структуру документа в.

import java.io.*; 
import org.apache.poi.hwpf.HWPFDocument; 
import org.apache.poi.hwpf.extractor.WordExtractor; 

public class LireDoc
{
 public static void main(String[] args)
 {
 try
 {
 File file = new File("nouveaudoc.doc"); 
 FileInputStream fis = new FileInputStream(file.getAbsolutePath()); 
 HWPFDocument document = new HWPFDocument(fis); 
   WordExtractor extractor = новый WordExtractor(document); 
 String[] text = extractor.getParagraphText(); 
 for (int i = 0; i < texte.length; i++)
 {
 if (texte[i] != null)
 System.out.println(texte[i]); 
 }
 }
 catch (Exception e)
 {
 e.printStackTrace(); 
 }
 }
}

Чтение файла Word .docx с помощью XWPFWordExtractor

Документ Microsoft Office 2007 использует формат .docx и сохраняет информацию (текст, стиль, цвет, шрифт и т. д.) в XML-файле. Класс  XWPFWordExtractor используется для извлечения текста из этого файла с именем OOXML.

Чтобы получить строковый текст, вызовите XWPFWordExtractor.getText(). Понятно, что .docx формат легче читать, чем старый формат .doc.

import java.io.*; 
import org.apache.poi.xwpf.extractor.XWPFWordExtractor; 
import org.apache.poi.xwpf.usermodel.XWPFDocument; 

public class ReadDocx
{
 public static void main(String[] args)
 {
 try
 {
 File file = new File("nouveaudoc.docx"); 
 FileInputStream fis = new FileInputStream(file.getAbsolutePath()); 
 XWPFDocument document = new XWPFDocument(fis); 
   XWPFWordExtractor extractor = новый XWPFWordExtractor(документ); 
 Строка text = extractor.getText(); 
 System.out.println(текст); 
 }
 catch (Исключение e)
 {
 e.printStackTrace(); 
 }
 }
}