如何使用Apache POI讀取Java中的.DOC文件以將圖像與文本分開？

Question

我需要從Java中讀取包含文本和圖像的Word .doc文件。 我需要識別圖像和文本並將它們分成2個文件。

我最近聽說過“Apache POI”。 如何使用Apache POI讀取Word .doc文件？

Answer 1

apache網站上的示例和示例代碼非常好。 我建議你從那里開始。

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

要獲取特定的文本位，首先要創建一個org.apache.poi.hwpf.HWPFDocument。 使用getRange（）獲取范圍，然后從中獲取段落。 然后，您可以獲得文本和其他屬性。

這里是提取圖像的示例。 這里是撰寫本文時的最新修訂版。

當然還有Javadocs

請注意，根據POI網站，

HWPF仍處於早期開發階段。

Answer 2

它不是免費的（甚至便宜！）但是Aspose.Words應該能夠做到這一點。 他們的評估下載將讓你玩小文件。

目標文件也必須是文檔嗎？ 您可以在Office中打開文檔並將其另存為HTML。 然后分離變得微不足道。 RTF也是一個可行的選擇，但我不能推薦一個好的RTF解析器。

編輯說：我只記得另一個可能的解決方案： 雅各布 ，但你需要在同一台機器上運行Office的實例。 它是Java COM Bridge的縮寫，它允許您調用Office中的COM庫來操作文檔。 我敢肯定它並不像聽起來那么可怕！