Java：Apache POI：我可以從 MS Word (.doc) 文件中獲取干凈的文本嗎？

Question

我在使用 Apache POI 時（以編程方式）從 MS Word 文件中獲取的字符串與我在使用 MS Word 打開文件時可以查看的文本不同。

使用以下代碼時：

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
HWPFDocument wordDoc = new HWPFDocument(inputStrm);
System.out.println(wordDoc.getText());

輸出是一行包含許多“無效”字符（是的，“框”）和許多不需要的字符串，例如“ FORMTEXT ”、“ HYPERLINK \\l "_Toc##########" ”（ '#' 是數字）、“ PAGEREF _Toc########## \\h 4 ”等。

以下代碼“修復”了單行問題，但保留了所有無效字符和不需要的文本：

File someFile = new File("some\\path\\MSWFile.doc");
InputStream inputStrm = new FileInputStream(someFile);
WordExtractor wordExtractor = new WordExtractor(inputStrm);
for(String paragraph:wordExtractor.getParagraphText()){
  System.out.println(paragraph);
}

---

我不知道我是否使用了錯誤的提取文本的方法，但這就是我在查看POI 的快速指南時想到的。 如果我是，正確的方法是什么？

如果該輸出是正確的，是否有一種標准方法可以去除不需要的文本，還是我必須編寫自己的過濾器？

Answer 1

此類可以讀取 Java 中的 .doc 和 .docx 文件。 為此，我使用 tika-app-1.2.jar：

/*
 * This class is used to read .doc and .docx files
 * 
 * @author Developer
 *
 */

import java.io.ByteArrayOutputStream;
import java.io.File;
import java.io.InputStream;
import java.io.OutputStream;
import java.io.OutputStreamWriter;
import java.net.URL; 
import org.apache.tika.detect.DefaultDetector;
import org.apache.tika.detect.Detector;
import org.apache.tika.io.TikaInputStream;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.sax.BodyContentHandler;
import org.xml.sax.ContentHandler;

class TextExtractor { 
    private OutputStream outputstream;
    private ParseContext context;
    private Detector detector;
    private Parser parser;
    private Metadata metadata;
    private String extractedText;

    public TextExtractor() {
        context = new ParseContext();
        detector = new DefaultDetector();
        parser = new AutoDetectParser(detector);
        context.set(Parser.class, parser);
        outputstream = new ByteArrayOutputStream();
        metadata = new Metadata();
    }

    public void process(String filename) throws Exception {
        URL url;
        File file = new File(filename);
        if (file.isFile()) {
            url = file.toURI().toURL();
        } else {
            url = new URL(filename);
        }
        InputStream input = TikaInputStream.get(url, metadata);
        ContentHandler handler = new BodyContentHandler(outputstream);
        parser.parse(input, handler, metadata, context); 
        input.close();
    }

    public void getString() {
        //Get the text into a String object
        extractedText = outputstream.toString();
        //Do whatever you want with this String object.
        System.out.println(extractedText);
    }

    public static void main(String args[]) throws Exception {
        if (args.length == 1) {
            TextExtractor textExtractor = new TextExtractor();
            textExtractor.process(args[0]);
            textExtractor.getString();
        } else { 
            throw new Exception();
        }
    }
}

編譯：

javac -cp ".:tika-app-1.2.jar" TextExtractor.java

跑步：

java -cp ".:tika-app-1.2.jar" TextExtractor SomeWordDocument.doc

Answer 2

有兩種選擇，一種直接在 Apache POI 中提供，另一種通過 Apache Tika（內部使用 Apache POI）提供。

第一個選項是使用WordExtractor ，但在調用它時將其包裝在對stripFields(String)調用中。 這將刪除文本中包含的基於文本的字段，例如您看到的 HYPERLINK。 你的代碼會變成：

NPOIFSFileSystem fs = new NPOIFSFileSytem(file);
WordExtractor extractor = new WordExtractor(fs.getRoot());

for(String rawText : extractor.getParagraphText()) {
String text = extractor.stripFields(rawText);
System.out.println(text);
}

另一種選擇是使用Apache Tika 。 Tika 為各種文件提供文本提取和元數據，因此相同的代碼也適用於 .doc、.docx、.pdf 和許多其他文件。 要獲得干凈、純文本的 Word 文檔（如果您願意，也可以獲取 XHTML），您可以執行以下操作：

TikaConfig tika = TikaConfig.getDefaultConfig();
TikaInputStream stream = TikaInputStream.get(file);
ContentHandler handler = new BodyContentHandler();
Metadata metadata = new Metadata();
tika.getParser().parse(input, handler, metadata, new ParseContext());
String text = handler.toString();

Answer 3

試試這個，對我有用，純粹是一個 POI 解決方案。 不過，您將不得不尋找 HWPFDocument 副本。 確保您正在閱讀的文檔早於 Word 97，否則像我一樣使用 XWPFDocument。

InputStream inputstream = new FileInputStream(m_filepath); 
//read the file 
XWPFDocument adoc= new XWPFDocument(inputstream);
//and place it in a xwpf format

aString = new XWPFWordExtractor(adoc).getText();           
//gets the full text

---

現在，如果您想要某些部分，您可以使用 getparagraphtext 但不要使用文本提取器，直接在段落上使用它，如下所示

for (XWPFParagraph p : adoc.getParagraphs()) 
{ 
    System.out.println(p.getParagraphText());
}