使用的工具为poi,需要导入的依赖如下
<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>
我采用的分离方式是根据字体大小判断。寻找字体大小和下一段大小不同的段落,再一次判断第二段和后边的是否相同,相同则继续,不同则输出标题和内容。
因为有的文档中存在多个标题,所以我在开始加了判断,如果连续三个段落的字体大小递减则该段落跳过。
而且文章存在目录,经过测试发现目录的String中都包含了“HYPERLINK” 所以如果段落中包含该字符串则跳过。
代码如下:
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("文件路径")); //需要将文件路更改为word文档所在路径。 POIFSFileSystem fs = new POIFSFileSystem(is); HWPFDocument document = new HWPFDocument(fs); Range range = document.getRange(); CharacterRun run1 = null;//用来存储第一行内容的属性 CharacterRun run2 = null;//用来存储第二行内容的属性 int q=1; for (int i = 0; i < range.numParagraphs()-1; i++) { Paragraph para1 = range.getParagraph(i);// 获取第i段 Paragraph para2 = range.getParagraph(i+1);// 获取第i段 int t=i; //记录当前分析的段落数 String paratext1 = para1.text().trim().replaceAll("\r\n", ""); //当前段落和下一段 String paratext2 = para2.text().trim().replaceAll("\r\n", ""); run1=para1.getCharacterRun(0); run2=para2.getCharacterRun(0); if (paratext1.length() > 0&¶text2.length() > 0) { //这个if语句为的是去除大标题,连续三个段落字体大小递减就跳过 if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) { continue; } //连续两段字体格式不同 if(run1.getFontSize()>run2.getFontSize()) { String content=paratext2; run1=run2; //从新定位run1 run2 run2=range.getParagraph(t+2).getCharacterRun(0); t=t+1; while(run1.getFontSize()==run2.getFontSize()) { //连续的相同 content+=range.getParagraph(t+1).text().trim().replaceAll("\r\n", ""); run1=run2; run2=range.getParagraph(t+2).getCharacterRun(0); t++; } if(paratext1.indexOf("HYPERLINK")==-1&&content.indexOf("HYPERLINK")==-1) { System.out.println(q+"标题"+paratext1+"\t内容"+content); i=t; q++; } } } } } catch (Exception e) { e.printStackTrace(); } } }