Не могат да се прочетат повече от 7 страници от docx в String с помощта на Apache POI

Опитвам се да прочета съдържанието на docx файла в низ, използвайки Apache POI. Не мога да прочета съдържанието, но когато броят на страниците в docx е повече от 7 0r 8, съдържанието от 8-та страница се показва преди първите 7 страници. ние използваме следния код:

File doc=new File("D:\\1.docx");
        InputStream repoDocument = new FileInputStream(doc);
        XWPFDocument document=new XWPFDocument(repoDocument);

    XWPFWordExtractor extractor = new XWPFWordExtractor(document) ;
    String content =  extractor.getText();
    content = content.replace(" ", "");
    System.out.println(content);

може ли някой да ни помогне да поправим това..?


java docx apache-poi docx4j
person jrmano    schedule 05.12.2014    source източник
comment
Какъв вид Word документи обработвате? има ли нещо специално относно използваните формати? Опитвали ли сте току-що да използвате Word документ, който повтаря една и съща дума отново и отново?   -  person SpaceTrucker    schedule 05.12.2014
comment
Документът съдържа текст и таблици с изображения в горния и долния колонтитул. Но трябва да четем само съдържанието в текста и таблицата.   -  person jrmano    schedule 05.12.2014

Отговори (1)


arrow_upward
0
arrow_downward

Тъй като този въпрос е маркиран docx4j, предполагам, че вие ​​също се интересувате как бихте разрешили този проблем по този начин.

Това се прави с помощта на org.docx4j.TextUtils

Ето демо:

public static void main(String[] args) throws Exception {

    String inputfilepath = "YOUR_PATH/YOUR.docx";

    WordprocessingMLPackage wordMLPackage = WordprocessingMLPackage.load(new java.io.File(inputfilepath));
    MainDocumentPart documentPart = wordMLPackage.getMainDocumentPart();        

    org.docx4j.wml.Document wmlDocumentEl = (org.docx4j.wml.Document)documentPart.getJaxbElement();

    Writer out = new OutputStreamWriter(System.out);

    org.docx4j.TextUtils.extractText(wmlDocumentEl, out);

    out.close();

}
person JasonPlutext    schedule 06.12.2014