Java 使用ApacheTika将MSword转换为XML/HTML

我碰巧认识Tika，它在从word中提取文本方面非常有用：

curl www.vit.org/downloads/doc/tarriff.doc\ |java-jar tika-app-1.3.jar——文本

---

但是有没有一种方法可以使用它将Ms Word文件转换为XML/HTML？

是的，它需要更改命令中的4个字符

如果您运行

java-jar tika-app-1.3.jar--help

您将获得以下内容：

usage: java -jar tika-app.jar [option...] [file|port...]

Options:
  -?  or --help          Print this usage message
  -v  or --verbose       Print debug level messages
  -V  or --version       Print the Apache Tika version number

  -g  or --gui           Start the Apache Tika GUI
  -s  or --server        Start the Apache Tika server
  -f  or --fork          Use Fork Mode for out-of-process extraction

  -x  or --xml           Output XHTML content (default)
  -h  or --html          Output HTML content
  -t  or --text          Output plain text content
  -T  or --text-main     Output plain text content (main content only)
  -m  or --metadata      Output only metadata
.....

---

由此，您将看到，如果您将

--text

选项更改为

--html

或

--xml

，您将得到格式良好的xml，而不仅仅是纯文本

，尽管这已经得到了回答，因为op用java标记了问题，为了完整起见，我将添加参考，以便轻松了解如何在java中实现这一点

---

Tika单元测试中的TikaTest.java超类是使用API将word转换为html的最简单的参考。遗憾的是，他们在编写单元测试时看到了这样一个API的有用性，但选择不将其作为一个方便的工具公开，强迫每个人处理处理程序等，这是常见用例的不幸样板。

谢谢，但是有没有办法保留文档结构（html/xml中的表等）？对于大多数文件格式，已经处理过了。Word是其中一个可以显示段落/表格/样式名称的工具。如果您看到，获取XHTML的行数与获取纯文本的行数相同！