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

<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('rn', ''); //当前段落和下一段String paratext2 = para2.text().trim().replaceAll('rn', '');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('rn', '');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好吧啦网。