Apache POI Word - Ekstrakcja tekstu

W tym rozdziale wyjaśniono, jak wyodrębnić proste dane tekstowe z dokumentu programu Word za pomocą języka Java. Jeśli chcesz wyodrębnić metadane z dokumentu Word, skorzystaj z Apache Tika.

W przypadku plików .docx używamy klasy org.apache.poi.xwpf.extractor.XPFFWordExtractor, która wyodrębnia i zwraca proste dane z pliku Word. W ten sam sposób mamy różne metodologie wyodrębniania nagłówków, przypisów, danych tabel itp. Z pliku Word.

Poniższy kod pokazuje, jak wyodrębnić prosty tekst z pliku programu Word -

import java.io.FileInputStream;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.poi.xwpf.usermodel.XWPFDocument;

public class WordExtractor {

   public static void main(String[] args)throws Exception {

      XWPFDocument docx = new XWPFDocument(new FileInputStream("create_paragraph.docx"));
      
      //using XWPFWordExtractor Class
      XWPFWordExtractor we = new XWPFWordExtractor(docx);
      System.out.println(we.getText());
   }
}

Zapisz powyższy kod jako WordExtractor.java. Skompiluj i uruchom go z wiersza polecenia w następujący sposób -

$javac WordExtractor.java
$java WordExtractor

Wygeneruje następujące dane wyjściowe:

At tutorialspoint.com, we strive hard to provide quality tutorials for self-learning
purpose in the domains of Academics, Information Technology, Management and Computer
Programming Languages.