java提取 doc docx文本

南顾北衫

已于 2022-07-05 08:22:00 修改

阅读量2.5k

点赞数 2

文章标签： java

于 2022-06-10 08:43:01 首次发布

本文链接：https://blog.csdn.net/qq_40836488/article/details/125214804

版权

提取doc文本只需要下面的依赖

 <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-scratchpad</artifactId>
            <version>5.2.2</version>
 </dependency>

提取docx文本还需要添加poi-ooxml依赖

     <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-ooxml</artifactId>
            <version>5.2.2</version>
     </dependency>

文档格式类型不能仅仅根据文件后缀判断，需要结合文件的魔数进行判断，判断文档格式类型

 if(FileMagic.valueOf(fis)==FileMagic.OLE2){
//doc格式 2003以前
 } else if (FileMagic.valueOf(fis)==FileMagic.OOXML) {
//docx格式
 }

提取doc文件内容

  FileInputStream fis1 = new FileInputStream("D:\\temp\\c0f1c520595b8dde990efdbfbb8ca3eb.docx");
        WordExtractor wordExtractor1 = new WordExtractor(fis1);
        System.out.println(wordExtractor1.getText());
    }

提取docx文件内容

        FileInputStream fileInputStream= new FileInputStream("D:\\temp\\c0f1c520595b8dde990efdbfbb8ca3eb.docx");
        XWPFWordExtractor docx = new XWPFWordExtractor(new XWPFDocument(fileInputStream));
        String text = docx.getText();
        System.out.println(text);