使用POI提取Word文件的文本内容

使用POI提取Word文件的文本内容

POI是Apache的一个开源项目，可以到Apache网站下载相应的jar包文件，及其源文件。

POI提供了提取一些非TXT文本中文本内容的API，比如提取Word，Excel等，使用起来非常方便。

为了说明POI提起Word文件的方便和简单，通过提取一个Word文件的文本来，来了解POI API的功能。

假设在本地磁盘中存在一个Word文件

E:POIwordJBoss3.0 下配置和部署EJB简介.doc文件是具有格式的，内容如图所示：

下面看看提取它的内容是多么简单。

首先从Apache网站上下载POI的相关jar包。

新建一个测试类：

package org.shirdrn.word;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.apache.poi.hwpf.extractor.WordExtractor;

public class MyWordExtractor {

public static void main(String[] args) {
   File file = new File("E:\POI\word\JBoss3.0 下配置和部署EJB简介.doc");
   try {
    FileInputStream fis = new FileInputStream(file);
    WordExtractor wordExtractor = new WordExtractor(fis);
    System.out.println("【 使用getText()方法提取的Word文件的内容如下所示：】");
    System.out.println(wordExtractor.getText());
   } catch (FileNotFoundException e) {
    e.printStackTrace();
   } catch (IOException e) {
   e.printStackTrace();
}
}
}

提取Word文件的文本内容，打印到控制台上，如下所示：

使用WordExtractor类的getTextFromPieces()方法提取：

wordExtractor.getTextFromPieces();

结果和上面是一样的。

WordExtractor类还有一个可以提取Word文件的各个段落的方法getParagraphText()，返回一个String[]数组，数组中每个元素为一个段的文本内容。

这里，对Word文件中换行也看成是一个段，测试如下：

package org.shirdrn.word;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.apache.poi.hwpf.extractor.WordExtractor;

public class MyWordExtractor {

public static void main(String[] args) {
   File file = new File("E:\POI\word\JBoss3.0 下配置和部署EJB简介.doc");
   try {
    FileInputStream fis = new FileInputStream(file);
    WordExtractor wordExtractor = new WordExtractor(fis);
    System.out.println("【 使用getText()方法提取的Word文件的内容如下所示：】");
    String[] paragraph = wordExtractor.getParagraphText();
    System.out.println("该Word文件共有"+paragraph.length+"段。");
    for(int i=0;i <paragraph><br>      System.out.println("&lt; 第 "+(i+1)+" 段的内容为 &gt;");<br>      System.out.println(paragraph[i]);<br>     }<br>    } catch (FileNotFoundException e) {<br>     e.printStackTrace();<br>    } catch (IOException e) {<br>    e.printStackTrace();<br> }<br> }<br> }</paragraph>

提取Word文件的文本内容，打印到控制台上，如下所示：

从上面的Word文件可以看出，最后一行是Word文件的一个换行符，使用WordExtractor提取时，也把它默认成为一个段，因为一个段结束后应该有一个回车换行符。

如果有多个Word文件，而且放在不同的目录下，要提取它们的文本内容，可以实现一个递归的函数，通过深度遍历，为每一个Word文件进行提取。

如果需要，可以将提取到的Word文件的文本内容输出到本地磁盘中，比如以txt记事本的根式保存。

从上面可以看出，提取Word文件的文本内容，实际上是将Word文件的格式去掉了，获取到文本的内容。