如何使用Apache POI读取Java中的.DOC文件以将图像与文本分开？

Question

我需要从Java中读取包含文本和图像的Word .doc文件。 我需要识别图像和文本并将它们分成2个文件。

我最近听说过“Apache POI”。 如何使用Apache POI读取Word .doc文件？

Answer 1

apache网站上的示例和示例代码非常好。 我建议你从那里开始。

http://poi.apache.org/hwpf/quick-guide.html

要获取特定的文本位，首先要创建一个org.apache.poi.hwpf.HWPFDocument。 使用getRange（）获取范围，然后从中获取段落。 然后，您可以获得文本和其他属性。

这里是提取图像的示例。 这里是撰写本文时的最新修订版。

当然还有Javadocs

请注意，根据POI网站，

HWPF仍处于早期开发阶段。

Answer 2

它不是免费的（甚至便宜！）但是Aspose.Words应该能够做到这一点。 他们的评估下载将让你玩小文件。

目标文件也必须是文档吗？ 您可以在Office中打开文档并将其另存为HTML。 然后分离变得微不足道。 RTF也是一个可行的选择，但我不能推荐一个好的RTF解析器。

编辑说：我只记得另一个可能的解决方案： 雅各布 ，但你需要在同一台机器上运行Office的实例。 它是Java COM Bridge的缩写，它允许您调用Office中的COM库来操作文档。 我敢肯定它并不像听起来那么可怕！