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&¶text2.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-ElementUi中的row-class-name使用
这篇文章主要介绍了Java-ElementUi中的row-class-name使用方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教2024-08-08Springboot 格式化LocalDateTime的方法
这篇文章主要介绍了Springboot格式化LocalDateTime的相关知识,本文通过实例代码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2022-05-05
最新评论