使用 Apache POI 识别隐藏文本 Word 2003/2007答案

【问题标题】：Identify hidden text Word 2003/2007 using Apache POI使用 Apache POI 识别隐藏文本 Word 2003/2007
【发布时间】：2012-11-22 12:09:59
【问题描述】：

我正在将 Word（2003 和 2007）文档转换为 HTML 格式。我已经设法从 Word 文档中读取文本、格式等。但是该文档包含一些隐藏文本，例如“标题更改历史记录”，不需要在页面上显示。有什么方法可以识别 Word 文档中的隐藏文本。

任何帮助都会非常有价值。

【问题讨论】：

根据我在 POI 文档中看到的内容，您只能读取和操作标头，但没有检索历史记录的选项。如果有人能指出相关的参考资料，很高兴承认错误。

标签： java ms-word apache-poi

【解决方案1】：

我不确定这是否是一个完整（甚至准确）的解决方案，但是对于DOCX格式的文件，似乎可以检查一个字符运行是否被隐藏了

XWPFRun cr;
if (cr.getCTR().getRPr().getVanish() != null){
   // it is hidden
}

通过对 XML 进行逆向工程得到这个，至少在我的使用中它似乎有效。很高兴获得额外的（更明智的）输入，以及以旧的二进制文件格式做同样事情的方法。

【讨论】：

【解决方案2】：

以下代码 sn-p 有助于识别文本是否隐藏

POIFSFileSystem fs = null;

    boolean isHidden = false;
    try {
        fs = new POIFSFileSystem(new FileInputStream(filesname));
        HWPFDocument doc = new HWPFDocument(fs);
        WordExtractor we = new WordExtractor(doc);

        String[] paragraphs = we.getParagraphText();

        System.out.println("Word Document has " + paragraphs.length
                + " paragraphs");
        Range range = doc.getRange();

        for (int k = 0; k < range.numParagraphs(); k++) {

            org.apache.poi.hwpf.usermodel.Paragraph paragraph = range
                    .getParagraph(k);
            paragraph.text().trim();
            paragraph.text().replaceAll("\\cM?\r?\n", "");

            for (int j = 0; j < paragraph.numCharacterRuns(); j++) {

                org.apache.poi.hwpf.usermodel.CharacterRun cr = paragraph
                        .getCharacterRun(j);

                if (cr.isVanished()) {
                    // it is hidden
                    System.out.println("text is hidden ");
                    isHidden = true;
                    break;
                }

            }

【讨论】：