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("\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我们。