java读取word文档,提取标题和内容的实例

 更新时间:2020年10月10日 10:12:05   作者:星际毁灭  
这篇文章主要介绍了java读取word文档,提取标题和内容的实例,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧

使用的工具为poi,需要导入的依赖如下

<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<Policy_content> 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;
 }

以上这篇java读取word文档,提取标题和内容的实例就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持脚本之家。

相关文章

  • JAVA如何获取客户端IP地址和MAC地址

    JAVA如何获取客户端IP地址和MAC地址

    本篇文章主要介绍了JAVA如何获取客户端IP地址和MAC地址非常具有实用价值,这里整理了详细的代码,需要的朋友可以参考下
    2017-08-08
  • Java遍历Map对象集合的六种方式代码示例

    Java遍历Map对象集合的六种方式代码示例

    Java中的Map是一种键值对映射的数据结构,它提供了一些常用的方法用于获取、添加、删除和修改元素,下面这篇文章主要给大家介绍了关于Java遍历Map对象集合的六种方式,需要的朋友可以参考下
    2024-02-02
  • java web在高并发和分布式下实现订单号生成唯一的解决方案

    java web在高并发和分布式下实现订单号生成唯一的解决方案

    这篇文章主要介绍了java web在高并发和分布式下实现订单号生成唯一的解决方案,需要的朋友可以参考下
    2017-11-11
  • IntelliJ IDEA像Eclipse一样打开多个项目的图文教程

    IntelliJ IDEA像Eclipse一样打开多个项目的图文教程

    这篇文章主要介绍了IntelliJ IDEA像Eclipse一样打开多个项目的方法图文教程讲解,需要的朋友可以参考下
    2018-03-03
  • 自己编写IOC控制反转及AOP面向切面

    自己编写IOC控制反转及AOP面向切面

    本文展示通过一个案例来自己手写IOC和AOP代码,通过银行转账案例详细的代码编写和文档解释来说明IOC和AOP的思想,会分享存在的问题和解决问题的思路
    2021-06-06
  • Flowable流程引擎API与服务

    Flowable流程引擎API与服务

    这篇文章主要介绍了Flowable流程引擎API与服务,引擎API是与Flowable交互的最常用手段,总入口点是ProcessEngine,使用ProcessEngine,可以获得各种提供工作流或BPM方法的服务,下面我们来详细了解
    2023-10-10
  • Java类加载连接和初始化原理解析

    Java类加载连接和初始化原理解析

    这篇文章主要介绍了Java类加载连接和初始化原理解析,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-03-03
  • Java中提供synchronized后为什么还要提供Lock

    Java中提供synchronized后为什么还要提供Lock

    这篇文章主要介绍了Java中提供synchronized后为什么还要提供Lock,在Java中提供了synchronized关键字来保证只有一个线程能够访问同步代码块,下文更多相关资料需要的小伙伴可以参考一下
    2022-03-03
  • Mybatis分页PageHelper插件代码实例

    Mybatis分页PageHelper插件代码实例

    这篇文章主要介绍了Mybatis分页PageHelper插件代码实例,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下
    2020-12-12
  • SpringBoot执行定时任务@Scheduled的方法

    SpringBoot执行定时任务@Scheduled的方法

    这篇文章主要介绍了SpringBoot执行定时任务@Scheduled的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友可以参考下
    2020-07-07

最新评论