java讀取word文檔,提取標題和內容
阿新 • • 發佈:2019-03-21
replace schema all stack int fonts ooxml pid spa
使用的工具為poi,需要導入的依賴如下
<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>
我采用的分離方式是根據字體大小判斷。尋找字體大小和下一段大小不同的段落,再一次判斷第二段和後邊的是否相同,相同則繼續,不同則輸出標題和內容。
因為有的文檔中存在多個標題,所以我在開始加了判斷,如果連續三個段落的字體大小遞減則該段落跳過。
而且文章存在目錄,經過測試發現目錄的String中都包含了“HYPERLINK” 所以如果段落中包含該字符串則跳過。
代碼如下:
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("文件路徑")); //需要將文件路更改為word文檔所在路徑。 POIFSFileSystem fs = new POIFSFileSystem(is); HWPFDocument document = new HWPFDocument(fs); Range range = document.getRange(); CharacterRun run1 = null;//用來存儲第一行內容的屬性 CharacterRun run2 = null;//用來存儲第二行內容的屬性 int q=1; for (int i = 0; i < range.numParagraphs()-1; i++) { Paragraph para1 = range.getParagraph(i);// 獲取第i段 Paragraph para2 = range.getParagraph(i+1);// 獲取第i段 int t=i; //記錄當前分析的段落數 String paratext1 = para1.text().trim().replaceAll("\r\n", ""); //當前段落和下一段 String paratext2 = para2.text().trim().replaceAll("\r\n", ""); run1=para1.getCharacterRun(0); run2=para2.getCharacterRun(0); if (paratext1.length() > 0&¶text2.length() > 0) { //這個if語句為的是去除大標題,連續三個段落字體大小遞減就跳過 if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) { continue; } //連續兩段字體格式不同 if(run1.getFontSize()>run2.getFontSize()) { String content=paratext2; run1=run2; //從新定位run1 run2 run2=range.getParagraph(t+2).getCharacterRun(0); t=t+1; while(run1.getFontSize()==run2.getFontSize()) { //連續的相同 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+"標題"+paratext1+"\t內容"+content); i=t; q++; } } } } } catch (Exception e) { e.printStackTrace(); } } }
java讀取word文檔,提取標題和內容