java - 如何使用 Apache HWPF 从 DOC 文件中提取文本和图像

Question

我下载了 Apache HWPF .我想用它来读取文档文件并将其文本写入纯文本文件。我不太了解 HWPF。

我的非常简单的程序在这里:

我现在有3个问题:

1. 一些包有错误(它们找不到 apache hdf)。我该如何修复它们？

2. 如何使用HWDF的方法查找并提取图片？

3. 我的部分程序不完整且不正确。所以请帮我完成它。

我必须在 2 天内完成这个程序。

我再次重复请帮助我完成此操作。

非常感谢你们的帮助!!!

这是我的基本代码:

public class test {
  public void m1 (){
    String filesname = "Hello.doc";
    POIFSFileSystem fs = null;
    fs = new POIFSFileSystem(new FileInputStream(filesname ); 
    HWPFDocument doc = new HWPFDocument(fs);
    WordExtractor we = new WordExtractor(doc);
    String str = we.getText() ;
    String[] paragraphs = we.getParagraphText();
    Picture pic = new Picture(. . .) ;
    pic.writeImageContent( . . . ) ;
    PicturesTable picTable = new PicturesTable( . . . ) ;
    if ( picTable.hasPicture( . . . ) ){
      picTable.extractPicture(..., ...);
      picTable.getAllPictures() ;
    }
}

Answer 1

Apache Tika会为你做这件事。它处理与 POI 的对话以执行 HWPF 操作，并为您提供文件内容的 XHTML 或纯文本。如果您注册一个递归解析器，那么您还将获得所有嵌入的图像。