Question

我从WordExtractor类（apache POI）中提取文本，但是我对某些.doc文件有错误。调试，我看到问题所在的行是最后一行：

HWPFDocument docx = new HWPFDocument(new FileInputStream(file));
WordExtractor we = new WordExtractor(docx);
String T = we.getText().replaceAll("\\n", " ").replaceAll("\\r", " ");

对于大多数.docx和.doc个文件，它可以正常工作。

错误消息是：

Exception in thread "main" java.lang.RuntimeException: 
java.lang.IllegalArgumentException: The end (4958) must not be before the start (4990)

我该如何解决？

Answer 1

来自docs的XWPFWordExtractor：

Helper类，用于从OOXML Word文件中提取文本

所以这是你的问题:)来自docs的解决方案：

对于Word 97中的.doc文件 - Word 2003，在暂存器中有   org.apache.poi.hwpf.extractor.WordExtractor，它将返回文本   为您的文件。

使用POI 3.7的用户还可以从旧版本中提取简单的文本内容   Word 6和Word 95文件，使用scratchpad类   org.apache.poi.hwpf.extractor.Word6Extractor。

对于.docx文件，相关的类是   org.apache.poi.xwpf.extractor.XPFFWordExtractor

java中的getText（）。replaceAll（）出错

1 个答案: