Читать документы Microsoft Word в простой текст (DOC, DOCX) на Java

Question

Я ищу что-то на Java для чтения в документах Word для обработки их текста ... все, что мне нужно, это текст, ничего особенного. Я знаю об Apache POI, но сейчас он не включает поддержку DOCX, что-нибудь там?

Answer 1

Если вам не требуется форматировать информацию, изображения и все другие причудливые вещи, тогда работа намного проще. Подойдет всего 5-10 строк кода.

1. Рассматривать DOCX как zip-файл. Он состоит из нескольких файлов, которые включают в себя «document.xml». Используйте ZipInputStream и распакуйте этот файл в одиночку. (вы можете использовать вашу любимую zip-утилиту и открыть docx, и убедитесь сами!)
2. Используйте SAX-парсер и читайте содержимое между узлами body / p / r / t - вуаля, вы получили текст!

Это применимо, только если вам нужен только текст .

Answer 2

С некоторым поиском я нашел OpenXML4J . Это может решить вашу проблему. Я не использовал это, пока не уверен, что кто-то в сообществе будет лучше понимать.

Примечание. Это дублирующий вопрос. У этого есть решение плюс немного обсуждения. Ссылка на вопрос.

Answer 3

Попробуйте apache poi - он может обрабатывать doc, docx, xls, xlsx, ppt, pptx.

Еще одно решение на уровне производства - это OpenOffice в автономном режиме, которое можно использовать даже в сценарии на стороне сервера.

Answer 4

Вы можете попробовать docx4j; см http://dev.plutext.org/svn/docx4j/trunk/docx4j/src/main/java/org/docx4j/TextUtils.java