如何读取旧字 doc 文件元数据

Question

假设我想将一个带有doc扩展名的 word 文件连同元数据一起导入到我的 HTML 文档中，并相应地在一个div显示它。 因此doc文件中的所有现有内容，例如各种格式的文本（粗体、斜体、不同大小、字母间距、行高、上划线、下划线……）、图像（它们的位置和大小）、图形、图表（ JSP 将生成必要的图形以提供类似外观的图形或图表。它只需要数据）、列表等。

那么有没有办法做到这一点？ 是否有任何标准化的 Word API 可以为我们提供这些数据？ 或者任何可以做到这一点的JSP库？ 如果没有，那么我需要知道什么并做些什么才能得到这个？

Answer 1

查看 Apache POI 项目： http : //poi.apache.org/text-extraction.html以及 Apache Tika： http : //tika.apache.org/

Answer 2

5年后，答案是：

注意：此代码仅适用于旧词“doc”文件（不是 docx），Apache POI 也可以处理 docx，但您必须使用其他 API。

使用Apache POI ，Maven 依赖项：

<!-- https://mvnrepository.com/artifact/org.apache.poi/poi -->
<dependency>
  <groupId>org.apache.poi</groupId>
  <artifactId>poi</artifactId>
  <version>3.17</version>
</dependency>

这是代码：

  ...
  import org.apache.poi.poifs.filesystem.DirectoryEntry;
  import org.apache.poi.poifs.filesystem.DocumentEntry;
  import org.apache.poi.poifs.filesystem.DocumentInputStream;
  import org.apache.poi.poifs.filesystem.POIFSFileSystem;

  public static void main(final String[] args) throws FileNotFoundException, IOException, NoPropertySetStreamException,
                  MarkUnsupportedException, UnexpectedPropertySetTypeException {
      try (final FileInputStream fs = new FileInputStream("src/test/word_template.doc");
        final POIFSFileSystem poifs = new POIFSFileSystem(fs)) {
        final DirectoryEntry dir = poifs.getRoot();
        final DocumentEntry siEntry = (DocumentEntry) dir.getEntry(SummaryInformation.DEFAULT_STREAM_NAME);
        try (final DocumentInputStream dis = new DocumentInputStream(siEntry)) {
          final PropertySet ps = new PropertySet(dis);
          final SummaryInformation si = new SummaryInformation(ps);
          // Read word doc (not docx) metadata.
          System.out.println(si.getLastAuthor());
          System.out.println(si.getAuthor());
          System.out.println(si.getKeywords());
          System.out.println(si.getSubject());
          // ...
        }
      }
    }

要阅读文本内容，您将需要额外的依赖项：

<dependency>
  <!-- Required for HWPFDocument -->
  <groupId>org.apache.poi</groupId>
  <artifactId>poi-scratchpad</artifactId>
  <version>3.17</version>
</dependency>

代码：

try (final HWPFDocument doc = new HWPFDocument(fs)) {
  return doc.getText().toString();
}