POI获取WORD信息

最近由于工作需要，调研了一下关于poi获取word字体信息方面的方法，在这里mark一下。

首先word格式分为doc和docx，分别利用HWPFDocument和XWPFDocument对文档进行解析，话不多说，直接贴代码：

• 解析doc格式

import java.io.FileInputStream;
import java.io.IOException;

import org.apache.poi.hwpf.HWPFDocument;
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.poifs.filesystem.POIFSFileSystem;

public class fontTest {
    public static void main(String[] args) throws IOException {
        String filePath = "***.doc";
        POIFSFileSystem fs = new POIFSFileSystem(new FileInputStream(filePath));
        HWPFDocument document = new HWPFDocument(fs);
        Range head = document.getHeaderStoryRange();
        for(int i = 0;i<head.numCharacterRuns();i++){
            System.out.println(head.getCharacterRun(i).text());
        }
        System.out.println("===============================================");
        Range range = document.getRange();
        for (int i = 0; i < range.numParagraphs(); i++) {
            Paragraph para = range.getParagraph(i);// 获取第i段
            int count = 0;
            while (true) {
                CharacterRun run = para.getCharacterRun(count);// 此characterrun并非一个字符，而是一类字符，例如“数据挖掘”，前两个字为加粗，后两个字不加粗，那么“数据”　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　和“挖掘”会存在两个characterrun中
                System.out.println("color ------" + run.getColor());// 字体颜色
                System.out.println("font name---" + run.getFontName());// 字体类型
                System.out.println("font size---" + run.getFontSize());// 字体大小
                System.out.println("text -------" + run.text());// 文本信息
                System.out.println("bold -------" + run.isBold());// 是否加粗
                System.out.println("italic -----" + run.isItalic());// 是否斜体字
                System.out.println("algnment ---" + para.getJustification());//对齐方式，0为左对齐，1为居中，2为右对齐，3为左右对齐
                count++;
                System.out.println("<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<");
                if (run.getEndOffset() == para.getEndOffset()) {//到达段落末尾
                    break;
                }
            }
            System.out.println("--------------分段--------------");
        }
    }
}

• 解析docx格式

package baidu;

import java.io.FileInputStream;
import java.io.InputStream;
import java.util.List;

import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFHeader;
import org.apache.poi.xwpf.usermodel.XWPFParagraph;
import org.apache.poi.xwpf.usermodel.XWPFRun;

public class fontdocx {
    public static void main(String[] args) throws Exception {
        String filePath = "***.docx";
        InputStream istream = new FileInputStream(filePath);
        XWPFDocument docx = new XWPFDocument(istream);
        // 获取页眉内容
        List<XWPFHeader> list = docx.getHeaderList();
        for (XWPFHeader head : list) {
            List<XWPFParagraph> paralist = head.getParagraphs();
            for (XWPFParagraph para : paralist) {
                System.out.println(para.getText());
            }
            // System.out.println(head.getText());
        }
        List<XWPFParagraph> paraGraph = docx.getParagraphs();
        for (XWPFParagraph para : paraGraph) {
            List<XWPFRun> run_array = para.getRuns();
            for (int i = 0; i < run_array.size(); i++) {
                System.out.println("alignment --"
                        + para.getAlignment().toString());// 对齐方式
                System.out
                        .println("text -------" + run_array.get(i).getText(0));// 文本内容
                System.out.println("font name --"
                        + run_array.get(i).getFontFamily());// 字体类型
                System.out
                        .println("color ------" + run_array.get(i).getColor());// 字体颜色
                System.out.println("font size --"
                        + run_array.get(i).getFontSize());// 字体大小
            }
        }
    }
}

对于抽取内容的准确度，未经过格式转换文本的准确度还是可以接受的。

在这里介绍的抽取内容比较少，欢迎大家补充！