将.doc或.docx文件转换为text

     首先，介绍一下poi。

     Apache POI是 Apache 软件 基金会的开放源码函式库，POI提供API给Java程序对Microsoft Office格式档案读和写的功能。

     POI结构：

      HSSF － 提供读写 Microsoft Excel 格式档案的功能。

      XSSF － 提供读写 Microsoft Excel OOXML 格式档案的功能。

      HWPF － 提供读写 Microsoft Word 格式档案的功能。

      HSLF － 提供读写Microsoft PowerPoint格式档案的功能。

     HDGF － 提供读写 Microsoft Visio 格式档案的功能。

 

     将.doc或.docx文件转换为text的方法如下：

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.apache.poi.POIXMLDocument;

import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;

class WordToText{
 public static String wordToText(String filepath)throws Exception{
  String returnstr="";
  try{
   File file=new File(filepath);
   FileInputStream fis=new FileInputStream(file);
   if(filepath.endsWith(".doc")){
    WordExtractor doc=new WordExtractor(fis);
    returnstr=doc.getText();//提取.doc正文文本
   }else if(filepath.endsWith(".docx")){
    XWPFWordExtractor docx=new XWPFWordExtractor(POIXMLDocument.openPackage(filepath));
    returnstr=docx.getText();
   }
  }catch(FileNotFoundException e){
   e.printStackTrace();
  }catch(IOException e){
   e.printStackTrace();
  }catch(Exception e){
   e.printStackTrace();
  }
  return returnstr;
 }
}