使用Java将Microsoft Word文档读入纯文本（DOC，DOCX）

Question

我正在寻找Java中的东西来阅读Word文档来处理他们的文本..我需要的只是文字，没什么特别的。我知道Apache POI，但它现在不包括对DOCX的支持，那里有什么东西？

Answer 1

如果您不需要格式化信息，图像和所有其他花哨的东西，那么工作就容易多了。只需要5到10行代码即可。

1. 将DOCX视为zip文件。它包含一堆包含'document.xml'的文件。使用ZipInputStream并单独提取该文件。 （您可以使用自己喜欢的zip工具并打开docx并自己查看！）
2. 使用SAX解析器并在节点主体/ p / r / t之间读取内容 - 瞧你有文字！

仅当您需要纯文字时才适用。

Answer 2

通过一些谷歌搜索我发现OpenXML4J。这可能会解决您的问题。在我确信社区中的某个人有更好的洞察力之前，我还没有用过这个。

注意：这是一个重复的问题。这有解决方案加上一些讨论。 Link to the question.

Answer 3

尝试apache poi - 它可以处理doc，docx，xl​​s，xlsx，ppt，pptx。

另一种生产级解决方案是无头模式的OpenOffice，甚至可以在服务器端场景中使用。

Answer 4

你可以尝试docx4j;见http://dev.plutext.org/svn/docx4j/trunk/docx4j/src/main/java/org/docx4j/TextUtils.java