【发布时间】:2013-03-23 17:57:40
【问题描述】:
我使用下面的一些代码 sn-ps 从 .doc 文件中提取文本
HWPFDocument document = new HWPFDocument(new FileInputStream(inputFile));
Range range = document.getRange();
int len = range.numParagraphs();
StringBuilder builder = new StringBuilder();
for (int i = 0; i < len; i++) {
builder.append(range.getParagraph(i).text());
}
和
HWPFDocument document = new HWPFDocument(new FileInputStream(inputFile));
WordExtractor wordExtractor = new WordExtractor(document);
String[] paragraphs = wordExtractor.getParagraphText();
StringBuilder builder = new StringBuilder();
for (String p : paragraphs) {
builder.append(p);
}
但是,它们都总是输出一些奇怪的字符。例如:PAGEREF_Toc351848910\h10HYPERLINK\l_Toc351848911CITATIONPla\l1033[HYPERLINK\l"Pla"13]。所以,我想知道从 .doc 文件中提取文本时它们来自哪里以及如何删除它们
提前致谢
【问题讨论】:
-
您显示的 strange 文本是目录条目、TOC 参考和引文。抱歉,我不知道如何删除它们。
-
您是否尝试过使用WordExtractor#stripFields(String) 删除它们?
-
它有效。非常感谢
标签: java ms-word apache-poi doc