Java:ApachePOI:我可以从MS Word（.doc）文件中获取干净的文本吗？

在使用ApachePOI时，我从MS Word文件（以编程方式）获取的字符串与使用MS Word打开文件时看到的文本不同

使用以下代码时：

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
HWPFDocument wordDoc = new HWPFDocument(inputStrm);
System.out.println(wordDoc.getText());

输出是一条单线，输出是一条单线，有许多“无效”字符（是的，是“盒子”中的“盒子”）和许多不需要的字符串，如“

FORMTEXT

““

FORMTEXT

””，“

code>超链接“
code>超链接”、“
以下代码“修复”了单行问题，但保留了所有无效字符和不需要的文本：

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
WordExtractor wordExtractor = new WordExtractor(inputStrm);
for(String paragraph:wordExtractor.getParagraphText()){
  System.out.println(paragraph);
}


我不知道我是否使用了错误的方法来提取文本，但这就是我在查看时想到的。如果是，正确的方法是什么

如果输出是正确的，是否有一种标准方法来消除不需要的文本，或者我必须自己编写一个过滤器？
有两个选项，一个直接在Apache POI中提供，另一个通过Apache Tika（内部使用Apache POI）提供

第一个选项是使用
WordExtractor
，但在调用时将其包装在对的调用中。这将删除文本中包含的基于文本的字段，如您看到的超链接。您的代码将变成：

NPOIFSFileSystem fs = new NPOIFSFileSytem(file);
WordExtractor extractor = new WordExtractor(fs.getRoot());

for(String rawText : extractor.getParagraphText()) {
String text = extractor.stripFields(rawText);
System.out.println(text);
}

另一个选择是使用。Tika为各种各样的文件提供文本提取和元数据，因此相同的代码也适用于.doc、.docx、.pdf和许多其他文件。要获得word文档的干净、纯文本（如果愿意，也可以获得XHTML），您可以执行以下操作：

TikaConfig tika = TikaConfig.getDefaultConfig();
TikaInputStream stream = TikaInputStream.get(file);
ContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
tika.getParser().parse(input, handler, metadata, new ParseContext());
String text = handler.toString();

此类可以读取Java中的.doc和.docx文件。为此，我使用tika-app-1.2.jar：

/*
 * This class is used to read .doc and .docx files
 * 
 * @author Developer
 *
 */

import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.InputStream;
import java.io.OutputStream;
import java.io.OutputStreamWriter;
import java.net.URL; 
import org.apache.tika.detect.DefaultDetector;
import org.apache.tika.detect.Detector;
import org.apache.tika.io.TikaInputStream;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;

class TextExtractor { 
    private OutputStream outputstream;
    private ParseContext context;
    private Detector detector;
    private Parser parser;
    private Metadata metadata;
    private String extractedText;

    public TextExtractor() {
        context = new ParseContext();
        detector = new DefaultDetector();
        parser = new AutoDetectParser(detector);
        context.set(Parser.class, parser);
        outputstream = new ByteArrayOutputStream();
        metadata = new Metadata();
    }

    public void process(String filename) throws Exception {
        URL url;
        File file = new File(filename);
        if (file.isFile()) {
            url = file.toURI().toURL();
        } else {
            url = new URL(filename);
        }
        InputStream input = TikaInputStream.get(url, metadata);
        ContentHandler handler = new BodyContentHandler(outputstream);
        parser.parse(input, handler, metadata, context); 
        input.close();
    }

    public void getString() {
        //Get the text into a String object
        extractedText = outputstream.toString();
        //Do whatever you want with this String object.
        System.out.println(extractedText);
    }

    public static void main(String args[]) throws Exception {
        if (args.length == 1) {
            TextExtractor textExtractor = new TextExtractor();
            textExtractor.process(args[0]);
            textExtractor.getString();
        } else { 
            throw new Exception();
        }
    }
}

汇编：

javac -cp ".:tika-app-1.2.jar" TextExtractor.java

要运行：

java -cp ".:tika-app-1.2.jar" TextExtractor SomeWordDocument.doc

试试这个，对我来说很有用，而且纯粹是一个POI解决方案。不过，您必须寻找HWPF文档对应项。确保您正在阅读的文档早于Word 97，否则请像我一样使用XWPFDocument

InputStream inputstream = new FileInputStream(m_filepath); 
//read the file 
XWPFDocument adoc= new XWPFDocument(inputstream);
//and place it in a xwpf format

aString = new XWPFWordExtractor(adoc).getText();           
//gets the full text


现在，如果您想要某些部分，您可以使用getparagraphtext，但不使用文本提取器，直接在段落上使用它，如下所示

for (XWPFParagraph p : adoc.getParagraphs()) 
{ 
    System.out.println(p.getParagraphText());
}

第二个解决方案在我的测试中不起作用。TIKA-1.2从.doc文件返回FORMCHECKBOX和其他内容。docx文件运行良好。我建议您尝试使用最新的Tika版本1.3。如果问题仍然存在，请上传一个显示该问题的示例文件，以便我们进行调查！对于我来说，Tika 1.3中仍然存在这种情况，不管它值多少钱，你最好报告一个针对ApacheTika的bug，并包含一个显示问题的文件