从伪word格式的doc文件中提取文本内容

最新推荐文章于 2023-07-05 15:43:10 发布

鹅

最新推荐文章于 2023-07-05 15:43:10 发布

阅读量1.7k

点赞数

分类专栏： java

java 专栏收录该内容

86 篇文章 0 订阅

订阅专栏

从mht文件中提取html内容

最近做的一个程序中，需要把从51job导出来的简历进行解析，51job支持doc和mht格式。开始时以为该doc文件是Word文件，于是采用Apache POI中提供的WordExtractor来进行，从word文件中提取文本内容。

Java代码

import org.apache.poi.hwpf.extractor.WordExtractor;
WordExtractor wordExtractor = new WordExtractor(new FileInputStream(tempFile));
content = wordExtractor.getText();

测试时，发现总是报异常

Java代码

Invalid header signature; read 0x7265762D656D696D, expected 0xE11AB1A1E011CFD0

用Notepad++打开看了一下，发现是个文本文件

Java代码

mime-version: 1.0
From: <由网才@51Job 生成>
date: 13 Apr 2012 17:20:13 +0800
subject: Resume
content-type: multipart/related; boundary=--boundary_578_1d3227f5-c157-41cf-b651-c43d296bd49f
----boundary_578_1d3227f5-c157-41cf-b651-c43d296bd49f
content-type: text/html; charset=gb2312
content-transfer-encoding: quoted-printable
<html><body><table width=3D'650' height=3D'62' border=3D'0' align=3D'center'=
cellpadding=3D'0' cellspacing=3D'0'><tr><td width=3D'62%' height=3D'60'=
align=3D'left' valign=3D'bottom' class=3D'top'>=D3=A6=C6=B8=D6=B0=CE=BB=A3=BA<span=

这表明51job生成的doc文件本质上是个mht文件。因此，也得到一个启示：下次如果项目中需要导出word格式文件，也可用mht格式来冒充，反正word也可以正常打开。

mht 百度百科写道

MHTML文件又称为聚合HTML文档、Web档案或单一文件网页。单个文件网页可将网站的所有元素（包括文本和图形）都保存到单个文件中。这种封装使您可将整个网站发布为单个内嵌 MIME （MIME：通过 Internet 连接传递多媒体资源的一列标准。MIME 类型通知程序对象所包含的内容（如图形、声音或视频)的聚合HTML文档(MHTML)文件，或将整个网站作为一个电子邮件或附件发送。Internet Explorer 4.0及更高版本支持此格式。

现在的问题变成了，怎么从mht中提取html内容了。在iteye上找到了，还挺好用，

thinkgem 的《Java实现 HTML to MHT》，地址：http://thinkgem.iteye.com/blog/724208

使用方法如下：

Java代码