java讀取word文件,提取標題和內容的例項
阿新 • • 發佈:2020-10-10
使用的工具為poi,需要匯入的依賴如下
<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>
我採用的分離方式是根據字型大小判斷。尋找字型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。
因為有的文件中存在多個標題,所以我在開始加了判斷,如果連續三個段落的字型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串則跳過。
程式碼如下:
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("檔案路徑")); //需要將檔案路更改為word文件所在路徑。 POIFSFileSystem fs = new POIFSFileSystem(is); HWPFDocument document = new HWPFDocument(fs); Range range = document.getRange(); CharacterRun run1 = null;//用來儲存第一行內容的屬性 CharacterRun run2 = null;//用來儲存第二行內容的屬性 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,連續三個段落字型大小遞減就跳過 if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) { continue; } //連續兩段字型格式不同 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(); } } }
補充知識:Java poi匯入word檔案提取內容
一、需求描述
java web專案從前臺上傳word格式檔案,後臺接收檔案並提取word內容儲存至資料庫。
二、依賴jar包
這裡操作的是maven專案,所有依賴jar包均可到maven倉庫進行免費下載。具體如下:
三、後臺程式碼
這裡的java_web專案採用SpringMVC的內建檔案上傳方式進行接收解析,具體如下:
/** * 提取word檔案內容 * @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 { // 獲取檔名 String fileName = multfile.getOriginalFilename(); //判斷是否為word型別檔案 if (!fileName.endsWith(".doc") && !fileName.endsWith(".docx")) { System.out.println("此檔案不是word檔案!"); } //當前系統的臨時檔案地址 String realPath = request.getSession().getServletContext().getRealPath("/static/app/appkmbgszh/uploadFile"); // 用uuid作為檔名,防止生成的臨時檔案重複 String fileAdd = UUID.randomUUID().toString() + ".docx"; // 構建一個臨時檔案 File uploadFile = new File(realPath,fileAdd); //將上傳的MultipartFile格式檔案轉換為建立的新檔案 multfile.transferTo(uploadFile); //獲取新檔案的絕對路徑 String filePath = uploadFile.getAbsolutePath(); String buffer = ""; JSONObject msg = new JSONObject(); try { InputStream inIo = new FileInputStream(uploadFile); //提取文字內容 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(); } //刪除上傳存放的臨時檔案 uploadFile.delete(); msg.put("status",true); msg.put("msg",buffer); } catch (Exception e) { e.printStackTrace(); msg.put("status",false); msg.put("msg","檔案內容提取失敗"); } 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; }
以上這篇java讀取word文件,提取標題和內容的例項就是小編分享給大家的全部內容了,希望能給大家一個參考,也希望大家多多支援我們。