Potrzebuję odczytać plik Word .doc z Java, który zawiera tekst i obrazy. Muszę rozpoznać tekst i oddzielić je na 2 pliki.Jak używać Apache POI do odczytywania pliku .DOC w Javie, aby oddzielić obrazy od tekstu?
Niedawno słyszałem o "Apache POI". Jak mogę używać Apache POI do czytania plików .doc programu Word?
Przykłady i przykładowy kod na stronie Apache są całkiem dobre. Polecam zacząć tam.
http://poi.apache.org/hwpf/quick-guide.html
Aby uzyskać konkretne fragmenty tekstu, najpierw utworzyć org.apache.poi.hwpf.HWPFDocument. Pobierz zakres za pomocą getRange(), a następnie pobierz z niego akapity. Możesz wtedy uzyskać tekst i inne właściwości.
Here dla przykładu wyodrębnienia obrazu. Here w celu uzyskania najnowszej wersji od tego momentu.
I oczywiście Javadocs
pamiętać, że w zależności od miejsca POI
HWPF jest wciąż na wczesnym etapie rozwoju.
To nie jest za darmo (lub nawet tanie!), Ale Aspose.Words powinien być w stanie to zrobić. Pobieranie ich ocen pozwoli ci grać małymi plikami.
Czy pliki docelowe również muszą być dokumentami? Możesz otworzyć dokumenty w pakiecie Office i zapisać je jako HTML. Wtedy rozdzielenie staje się trywialne. RTF jest również opłacalną opcją, ale nie mogę polecić dobrego parsera RTF z mojej głowy.
Edit powiedzieć: Właśnie sobie przypomniałem Innym możliwym rozwiązaniem: Jacob, ale trzeba instancję Urząd działa na tej samej maszynie. Jest to skrót od Java COM Bridge i umożliwia wykonywanie połączeń do bibliotek COM w pakiecie Office w celu manipulowania dokumentami. Jestem pewien, że to nie jest tak straszne, jak mogłoby się wydawać!