Java 如何使用ApacheHWPF从文档文件中提取文本和图像

我下载了。我想用它来读取doc文件并将其文本写入纯文本文件。我不太了解HWPF

我非常简单的程序如下：

我现在有3个问题：

有些包有错误（它们找不到ApacheHDF）。我怎样才能修好它们

如何使用HWDF的方法来查找和提取图像

我的一些程序是不完整和不正确的。所以请帮我完成它

我必须在两天内完成这个项目

我再次重复一遍，请帮我完成这个

非常感谢你们的帮助

这是我的基本代码：

public class test {
  public void m1 (){
    String filesname = "Hello.doc";
    POIFSFileSystem fs = null;
    fs = new POIFSFileSystem(new FileInputStream(filesname ); 
    HWPFDocument doc = new HWPFDocument(fs);
    WordExtractor we = new WordExtractor(doc);
    String str = we.getText() ;
    String[] paragraphs = we.getParagraphText();
    Picture pic = new Picture(. . .) ;
    pic.writeImageContent( . . . ) ;
    PicturesTable picTable = new PicturesTable( . . . ) ;
    if ( picTable.hasPicture( . . . ) ){
      picTable.extractPicture(..., ...);
      picTable.getAllPictures() ;
    }
}

---

如果您只想这样做，而不关心编码，您可以使用

---

$antiword file.doc>out.txt

我很久以前就知道了这一点，但我发现谷歌代码中的文本挖掘更准确、更易于使用。然而，它几乎是被抛弃的代码。

将为您完成这项工作。它处理与POI的对话以完成HWPF的工作，并为您提供文件内容的XHTML或纯文本。如果您注册了一个递归解析器，那么您也将获得所有嵌入的图像。

//您可以使用org.apache.poi.hwpf.extractor.WordExtractor获取文本
    //you can use the org.apache.poi.hwpf.extractor.WordExtractor to get the text
    String fileName = "example.doc";
    HWPFDocument wordDoc = new HWPFDocument(new FileInputStream(fileName));
    WordExtractor extractor = new WordExtractor(wordDoc);
    String[] text = extractor.getParagraphText();
    int lineCounter = text.length;
    String articleStr = ""; // This string object use to store text from the word document.
    for(int index = 0;index < lineCounter;++ index){
        String paragraphStr = text[index].replaceAll("\r\n","").replaceAll("\n","").trim();
        int paragraphLength = paragraphStr.length();
        if(paragraphLength != 0){
            articleStr.concat(paragraphStr);
        }
    }
    //you can use the org.apache.poi.hwpf.usermodel.Picture to get the image
    List<Picture> picturesList = wordDoc.getPicturesTable().getAllPictures();
    for(int i = 0;i < picturesList.size();++i){
        BufferedImage image = null;
        Picture pic = picturesList.get(i);
        image = ImageIO.read(new ByteArrayInputStream(pic.getContent()));
        if(image != null){
            System.out.println("Image["+i+"]"+" ImageWidth:"+image.getWidth()+" ImageHeight:"+image.getHeight()+" Suggest Image Format:"+pic.suggestFileExtension());
        }
    }

字符串fileName=“example.doc”；
HWPFDocument wordDoc=新的HWPFDocument（新文件输入流（文件名））；
WordExtractor提取器=新的WordExtractor（wordDoc）；
String[]text=extractor.getParagraphText（）；
int lineCounter=text.length；
字符串articleStr=“”；//此字符串对象用于存储word文档中的文本。
对于（int index=0；index

相关：