[Java] Java读取Word文档

前言

最近需要做一些NLP 方面的工作，使用的是Java，在此总结一下使用Java读取Word(.doc)格式文件的方法。

Apache基金会非常厉害，开源工具包POI就可以处理微软家的文档，甚至包括Excel和PowerPoint。我们就使用POI来做。

步骤

下载

https://poi.apache.org/download.html 下载Binary Distribution，并解压

导入

在Intellij IDEA中，点击File--Project Structure--Library，然后添加里边所有的jar包

使用

核心在于org.apache.poi.hwpf.extractor.WordExtractor和org.apache.poi.hwpf.HWPFDocument这两个。

贴上代码

import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.extractor.WordExtractor;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;

public class Demo {
    public void readWordFile(String path) {
        File file = null;
        WordExtractor extractor = null;
        file = new File(path);
        try {
            HWPFDocument doc = new HWPFDocument(new FileInputStream((file.getAbsolutePath())));
            extractor = new WordExtractor(doc);
            String fileData = extractor.getText();//此处还有很多别的方法可以使用
            System.out.println(fileData);
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

}

public class RunDemo {
    public static void main(String[] dd){
        Demo d=new Demo();
        String path="/home/chyq/Desktop/我的文档.doc";
        d.readWordFile(path);
    }
}

一些需要说明的

• 如果是docx，将HWPF改成XWPF，基本是一样的
• extractor对象的几个get方法说明：
  • getText() ：返回String，全文内容

  • getMainTextboxText() 返回String[]，读取的是多个文本框中的内容

  • getParagraphText() 返回String[]，读取的是多个自然段的内容

  • 还有读取页眉页脚等方法，更多详细API可以参考：http://book2s.com/java/src/package/org/apache/poi/hwpf/extractor/wordextractor.html#1d7167f4e597fb0328033cb4c51b178b ， 这个比官方文档全。
• 读取的图片都没了，表格只保留了文字部分，格式都没有了。其余的格式（换行、回车等）均被保留。