使用Java将Microsoft Word文档读入纯文本(DOC,DOCX)

Question

我正在寻找Java中的东西来阅读Word文档来处理他们的文本..所有我需要的是文本,没什么花哨的.我知道Apache POI,但它现在不包括对DOCX的支持,那里有什么东西？

Answer 1

如果您不需要格式化信息,图像和所有其他花哨的东西,那么工作就容易多了.只需要5到10行代码即可.

1. 将DOCX视为zip文件.它包含一堆包含'document.xml'的文件.使用ZipInputStream并单独提取该文件.(您可以使用自己喜欢的zip工具并打开docx并自己查看!)
2. 使用SAX解析器并在节点主体/ p/r/t之间读取内容 - 瞧,你得到了文本!

仅在您需要文本时才适用.