java提取word中的文字,java获取word里面的文本

需求场景

开发的web办公系统如果需要处理大量的Word文档(比如有成千上万个文档)，用户一定提出查找包含某些关键字的文档的需求，这就要求能够读取 word 中的文字内容，而忽略其中的文字样式、表格、图片等信息。

方案分析

方案一：使用Apache POI技术将所有服务器上文档的文本获取后存储到数据库，查找文档时利用sql语句检索数据中存储的文档文本是否包含关键字来搜索到相关文档。然而现在 microsoft word 有两种文档格式doc和docx，这两个版本存储数据的格式上都有相当大的差别。调研发现apache  POI针对doc和docx提供了两套不同的API接口，需要针对两种文档格式编写不同的代码，word文档自身格式复杂，读取word文档内容的代码会对服务器造成一定的压力，且无法实现让用户在线处理word文档。

方案二：使用PageOffice组件的FileSaver对象的getDocumentText方法，获取word文档中的纯文本内容，且如果调用PageOffice实现此功能的话，同时也可以实现word文件的在线编辑。

实现步骤

1. 调用PageOffice在线打开word文件，比如：test.doc