用 Java 将 Microsoft Word 文档读取为纯文本(DOC、DOCX) [英] Read Microsoft Word Documents into Plain Text (DOC, DOCX) in Java

问题描述

我正在寻找 Java 中的一些东西，以便在 Word 文档中阅读以处理它们的文本.我所需要的只是文本，没有什么花哨的东西.我知道 Apache POI，但它现在不包括对 DOCX 的支持，还有什么吗?

I'm looking for something in Java to read in Word documents to process their text.. all I need is there text, nothing fancy. I know about Apache POI, however it doesn't include support for DOCX right now, anything out there?

推荐答案

如果您不需要格式化信息、图像和所有其他花哨的东西，那么工作就容易多了.只需 5 到 10 行代码即可.

If you don't require formatting information, images and all other fancy stuff, then the job is lot easier. Just some 5 to 10 lines of code will do.

1. 将 DOCX 视为 zip 文件.它由一堆文件组成，其中包括document.xml".使用 ZipInputStream 并单独提取该文件.(您可以使用您最喜欢的 zip 实用程序并打开 docx 并亲自查看！)
2. 使用 SAX 解析器并读取节点 body/p/r/t 之间的内容 - 瞧，您得到了文本！

仅当您需要纯文本时才适用.

这篇关于用 Java 将 Microsoft Word 文档读取为纯文本(DOC、DOCX)的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！