Question

我正在搞乱apache poi操纵word文档。有没有办法从doc文件中获取标题？我能够从文档中获取纯文本，但我需要区分文档文件中的所有标题？是apache poi api中的任何函数，只能从ms word文件中获取标题吗？

Answer 1

宣传对答案的评论

有两种方法可以在Word中制作“标题”。 “适当”的方式，以及大多数人似乎都这样做的方式......

在样式下拉列表中，选择合适的标题样式，编写文本，然后返回到下一行的正常段落样式
突出显示一行，然后提高字体大小+使其变为粗体或斜体

如果您的用户正在做＃2，那么您基本上没有希望找到标题。如果没有写一些模糊匹配逻辑来试图发现字体大小何时跳跃，那你就不幸了

对于＃1，它在Apache POI中相当容易。您要做的是获取适用于段落的样式的样式描述，然后获取样式的名称。如果以Heading开头（不区分大小写），则表示您已找到标题。获取该段落的文本，然后继续阅读该文档。

如果你看一下构建在POI之上的Apache Tika MS-Word parser，你会看到一个很好的例子来迭代这些段落并检查样式

Answer 2

正如Gagravarr所说：

对于＃1，它在Apache POI中相当容易。您要做的是获取适用于段落的样式的样式描述，然后获取样式的名称。如果以Heading（不区分大小写）开头，则表示您已找到标题。获取该段落的文本，然后继续阅读该文档。

使用像这样的Apache POI代码：

        File f=new File("test.docx");
        FileInputStream fis = new FileInputStream(f);
        XWPFDocument xdoc=new XWPFDocument(OPCPackage.open(fis));
        XWPFStyles styles=xdoc.getStyles();         
        List<XWPFParagraph> xwpfparagraphs =xdoc.getParagraphs();
        System.out.println();
        for(int i=0;i<xwpfparagraphs.size();i++)
        {
            System.out.println("paragraph style id "+(i+1)+":"+xwpfparagraphs.get(i).getStyleID());                         
            if(xwpfparagraphs.get(i).getStyleID()!=null)
            {
                String styleid=xwpfparagraphs.get(i).getStyleID();
                XWPFStyle style=styles.getStyle(styleid);
                if(style!=null)
                {
                    System.out.println("Style name:"+style.getName());
                    if(style.getName().startsWith("heading"))
                    {
                        //this is a heading
                    }
                }

            }


        }

Answer 3

至少对于HWPF（即旧的二进制文档格式），如果你有一个格式正确的文件（所以键入其他答案的＃1），你不应该完全依赖于样式名称 - 事实上，这可能是一个语言依赖值（英语中的“标题”，法语中的“标题”等）。

编码Paragraph.getLvl()的

level where the respective paragraph is shown in Word's outline view通常是一个很好的辅助来源。 ?- reversePairs([1,2,3,4,5,6,7,9], R). R = [7,9,5,6,3,4,1,2]. % observed answer构成最重要的级别，所有后续数字.so代表不太重要的标题候选者，1是Word默认分配给普通（非标题）段落的值。

Apache POI： - 从DOC文件中获取标题

3 个答案: