java获取word里面的文本

阅读更多

需求场景

　　开发的web办公系统如果需要处理大量的Word文档（比如有成千上万个文档），用户一定提出查找包含某些关键字的文档的需求，这就要求能够读取 word 中的文字内容，而忽略其中的文字样式、表格、图片等信息。

方案分析

　　方案一：使用Apache POI技术将所有服务器上文档的文本获取后存储到数据库，查找文档时利用sql语句检索数据中存储的文档文本是否包含关键字来搜索到相关文档。然而现在 microsoft word 有两种文档格式doc和docx，这两个版本存储数据的格式上都有相当大的差别。调研发现apache  POI针对doc和docx提供了两套不同的API接口，需要针对两种文档格式编写不同的代码，word文档自身格式复杂，读取word文档内容的代码会对服务器造成一定的压力，且无法实现让用户在线处理word文档。 

　　POI主页地址：https://poi.apache.org/

　　方案二：使用PageOffice组件的FileSaver对象的getDocumentText方法，获取word文档中的纯文本内容，且如果调用PageOffice实现此功能的话，同时也可以实现word文件的在线编辑。

　　

实现步骤

　　1. 调用PageOffice在线打开word文件，比如：test.doc

PageOfficeCtrl poCtrl=new PageOfficeCtrl(request);
//设置服务器页面
poCtrl.setServerPage(request.getContextPath()+"/poserver.zz");
//设置保存页面为SaveFile.jsp，或SaveFile.do SaveFile.action 等action方法或RequestMapping方法均可
poCtrl.setSaveFilePage("SaveFile.jsp");
//打开Word文档
poCtrl.webOpen("doc/test.doc",OpenModeType.docNormalEdit,"Tom");

　　2. 在处理保存操作的页面（SaveFile.jsp）或方法里执行保存文件和获取文档中纯文本内容的操作：

FileSaver fs=new FileSaver(request,response);
fs.saveToFile(request.getSession().getServletContext().getRealPath("doc/")+"/"+fs.getFileName());//保存文件
String strDocumentText = fs.getDocumentText();//获取文档的纯文本内容，不带任何附加格式 
// - 编写代码，保存文档的文本内容到数据库 - //
......
fs.close();

　　3. 需要对全文检索的时候，只需对数据库中保存了word文件纯文本内容的数据库字段做SQL查询即可。