使用的工具為poi，需要導(dǎo)入的依賴如下

<dependency> <groupId>org.apache.poi</groupId> <artifactId>poi</artifactId> <version>3.17</version> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml</artifactId> <version>3.17</version> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-scratchpad</artifactId> <version>3.17</version> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>ooxml-schemas</artifactId> <version>1.1</version> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml-schemas</artifactId> <version>3.17</version> </dependency>

我采用的分離方式是根據(jù)字體大小判斷。尋找字體大小和下一段大小不同的段落，再一次判斷第二段和后邊的是否相同，相同則繼續(xù)，不同則輸出標(biāo)題和內(nèi)容。

因為有的文檔中存在多個標(biāo)題，所以我在開始加了判斷，如果連續(xù)三個段落的字體大小遞減則該段落跳過。

而且文章存在目錄，經(jīng)過測試發(fā)現(xiàn)目錄的String中都包含了“HYPERLINK” 所以如果段落中包含該字符串則跳過。

代碼如下：

package com.w.test;import java.io.File;import java.io.FileInputStream;import java.io.InputStream;import java.util.ArrayList;import java.util.List;import java.util.regex.Matcher;import java.util.regex.Pattern;import org.apache.poi.POIXMLDocument;import org.apache.poi.POIXMLTextExtractor;import org.apache.poi.hwpf.HWPFDocument;import org.apache.poi.hwpf.extractor.WordExtractor;import org.apache.poi.hwpf.usermodel.CharacterRun;import org.apache.poi.hwpf.usermodel.Paragraph;import org.apache.poi.hwpf.usermodel.Range;import org.apache.poi.openxml4j.opc.OPCPackage;import org.apache.poi.poifs.filesystem.POIFSFileSystem;import org.apache.poi.xwpf.extractor.XWPFWordExtractor;import org.apache.poi.xwpf.usermodel.XWPFDocument;import org.apache.poi.xwpf.usermodel.XWPFParagraph;import org.apache.poi.xwpf.usermodel.XWPFRun;import com.example.model.Policy_content;public class GetWord { public static void main(String[] args) { // TODO Auto-generated method stub try { List<Policy_content> list = new ArrayList<>(); InputStream is = new FileInputStream(new File('文件路徑')); //需要將文件路更改為word文檔所在路徑。 POIFSFileSystem fs = new POIFSFileSystem(is); HWPFDocument document = new HWPFDocument(fs); Range range = document.getRange(); CharacterRun run1 = null;//用來存儲第一行內(nèi)容的屬性 CharacterRun run2 = null;//用來存儲第二行內(nèi)容的屬性 int q=1; for (int i = 0; i < range.numParagraphs()-1; i++) {Paragraph para1 = range.getParagraph(i);// 獲取第i段Paragraph para2 = range.getParagraph(i+1);// 獲取第i段int t=i; //記錄當(dāng)前分析的段落數(shù)String paratext1 = para1.text().trim().replaceAll('rn', ''); //當(dāng)前段落和下一段String paratext2 = para2.text().trim().replaceAll('rn', '');run1=para1.getCharacterRun(0);run2=para2.getCharacterRun(0);if (paratext1.length() > 0&&paratext2.length() > 0) { //這個if語句為的是去除大標(biāo)題，連續(xù)三個段落字體大小遞減就跳過 if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) { continue; }//連續(xù)兩段字體格式不同 if(run1.getFontSize()>run2.getFontSize()) { String content=paratext2; run1=run2; //從新定位run1 run2 run2=range.getParagraph(t+2).getCharacterRun(0); t=t+1; while(run1.getFontSize()==run2.getFontSize()) {//連續(xù)的相同content+=range.getParagraph(t+1).text().trim().replaceAll('rn', '');run1=run2;run2=range.getParagraph(t+2).getCharacterRun(0);t++; } if(paratext1.indexOf('HYPERLINK')==-1&&content.indexOf('HYPERLINK')==-1) {System.out.println(q+'標(biāo)題'+paratext1+'t內(nèi)容'+content);i=t;q++; } }} }} catch (Exception e) { e.printStackTrace(); } } }

補(bǔ)充知識：Java poi導(dǎo)入word文件提取內(nèi)容

一、需求描述

java web項目從前臺上傳word格式文件，后臺接收文件并提取word內(nèi)容保存至數(shù)據(jù)庫。

二、依賴jar包

這里操作的是maven項目，所有依賴jar包均可到maven倉庫進(jìn)行免費下載。具體如下：

三、后臺代碼

這里的java_web項目采用SpringMVC的內(nèi)置文件上傳方式進(jìn)行接收解析，具體如下：

/** * 提取word文件內(nèi)容 * @param file * @param request * @return * @throws IOException * @throws IllegalStateException */ @RequestMapping(value = '/getPapers', method = RequestMethod.POST, produces = { 'text/html;charset=utf-8' }) @ResponseBody private Object getPapers(@RequestParam('file') MultipartFile multfile，HttpServletRequest request) throws IllegalStateException, IOException { // 獲取文件名 String fileName = multfile.getOriginalFilename(); //判斷是否為word類型文件 if (!fileName.endsWith('.doc') && !fileName.endsWith('.docx')) { System.out.println('此文件不是word文件！'); } //當(dāng)前系統(tǒng)的臨時文件地址 String realPath = request.getSession().getServletContext().getRealPath('/static/app/appkmbgszh/uploadFile'); // 用uuid作為文件名，防止生成的臨時文件重復(fù) String fileAdd = UUID.randomUUID().toString() + '.docx'; // 構(gòu)建一個臨時文件 File uploadFile = new File(realPath, fileAdd); //將上傳的MultipartFile格式文件轉(zhuǎn)換為創(chuàng)建的新文件 multfile.transferTo(uploadFile); //獲取新文件的絕對路徑 String filePath = uploadFile.getAbsolutePath(); String buffer = ''; JSONObject msg = new JSONObject(); try { InputStream inIo = new FileInputStream(uploadFile); //提取文本內(nèi)容 if (fileName.endsWith('.doc')) {WordExtractor ex = new WordExtractor(inIo);buffer = ex.getText();ex.close(); } else if (fileName.endsWith('.docx')) {OPCPackage opcPackage = POIXMLDocument.openPackage(filePath);POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);buffer = extractor.getText();extractor.close(); } //刪除上傳存放的臨時文件 uploadFile.delete(); msg.put('status', true); msg.put('msg', buffer); } catch (Exception e) { e.printStackTrace(); msg.put('status', false); msg.put('msg', '文件內(nèi)容提取失敗'); } return retString(msg); } /** * json格式化; * @param ret * @return */ private String retString(JSONObject ret) { String jsoStr = ''; try { jsoStr = JSON.json(ret); } catch (IOException e) { e.printStackTrace(); return jsoStr; } return jsoStr; }

以上這篇java讀取word文檔,提取標(biāo)題和內(nèi)容的實例就是小編分享給大家的全部內(nèi)容了，希望能給大家一個參考，也希望大家多多支持好吧啦網(wǎng)。