Вопрос по ms-word, apache-poi, java – Java Apache POI читает файл Word (.doc) и использует именованные стили

1

Я пытаюсь прочитать документ Microsoft Word 2003 (.doc), используя poi-scratchpad-3.8 (HWPF). Мне нужно либо прочитать файл слово за словом, либо символ за символом. В любом случае это хорошо для того, что мне нужно. После прочтения символа или слова мне нужно получить имя стиля, которое применяется к слову / символу. Итак, вопрос в том, как мне получить имя стиля, используемого для слова или символа при чтении файла .doc?

EDIT

Я добавляю код, который использовал для этого. Если кто-то хочет попробовать это, удачи.

private void processDoc(String path) throws Exception {
    System.out.println(path);
    POIFSFileSystem fis = new POIFSFileSystem(new FileInputStream(path));
    HWPFDocument wdDoc = new HWPFDocument(fis);

    // list all style names and indexes in stylesheet
    for (int j = 0; j < wdDoc.getStyleSheet().numStyles(); j++) {
        if (wdDoc.getStyleSheet().getStyleDescription(j) != null) {
            System.out.println(j + ": " + wdDoc.getStyleSheet().getStyleDescription(j).getName());
        } else {
            // getStyleDescription returned null
            System.out.println(j + ": " + null);
        }
    }

    // set range for entire document
    Range range = wdDoc.getRange();

    // loop through all paragraphs in range
    for (int i = 0; i < range.numParagraphs(); i++) {
        Paragraph p = range.getParagraph(i);

        // check if style index is greater than total number of styles
        if (wdDoc.getStyleSheet().numStyles() > p.getStyleIndex()) {
            System.out.println(wdDoc.getStyleSheet().numStyles() + " -> " + p.getStyleIndex());
            StyleDescription style = wdDoc.getStyleSheet().getStyleDescription(p.getStyleIndex());
            String styleName = style.getName();
            // write style name and associated text
            System.out.println(styleName + " -> " + p.text());
        } else {
            System.out.println("\n" + wdDoc.getStyleSheet().numStyles() + " ----> " + p.getStyleIndex());
        }
    }
@Seynorth только начинает изучать этот материал, так что это может не помочь ... но есть метод CharacterRun с именем & quot; getHighlightedColor & quot; ... пробовал? mike rodent
Привет, ваш отредактированный код работает с моим документом. Но я хотел бы обнаружить выделенный текст. У вас есть идеи, как это сделать? Я много гуглил, но не смог найти никакой подсказки. Заранее спасибо ! Seynorth

Ваш Ответ

1   ответ
2

WordExtractor от Apache TikaЭто отличный пример получения текста и стиля из документа Word с использованием Apache POI.

Основываясь на том, что вы сделали и не сказали в своем вопросе, я подозреваю, что вы ищете что-то вроде этого:

    Range r = document.getRange();
    for(int i=0; i<r.numParagraphs(); i++) {
       Paragraph p = r.getParagraph(i);
       String text = p.getText();
       if( ! text.contains("What I'm Looking For")) {
          // Try the next paragraph
          continue;
       }

       if (document.getStyleSheet().numStyles()>p.getStyleIndex()) {
          StyleDescription style =
               document.getStyleSheet().getStyleDescription(p.getStyleIndex());
          String styleName = style.getName();
          System.out.println(styleName + " -> " + text);
       }
       else {
          // Text has an unknown or invalid style
       }
    }

Для чего-то более продвинутого, взгляните на исходный код WordExtractor и посмотрите, что еще вы можете сделать с такими вещами!

Я еще не посмотрел исходный код WordExtractor, но исправляю. Ashaelon
CharacterRun Кажется, не предлагается метод для получения имени стиля. Ashaelon
Он не получится - вы захотите получить индекс стиля, как абзац, и посмотреть на него
Вы могли бы попытаться заглянуть в CharacterRuns Параграфа, и получить стиль из этого, посмотреть, будет ли это работать лучше для вас?
Спасибо за ответ. Пока я ждал ответа, я нашел пример, похожий на этот. Этот код дает стиль только для абзаца, а не для слова или символа. Там также, кажется, проблема (может быть, ошибка?). Если я создаю новый Word Doc с использованием Word 2007 и сохраняю его как Word 97-2003, поставьте & quot; test & quot; в качестве единственного текста в документе и изменения стиля на Strong, код говорит мне, что стиль - Normal. Если я изменяю стиль на Quote, он возвращает Quote, но если я изменяю его обратно на Strong, он возвращает Quote. Это происходит для нескольких стилей, и я не уверен, почему. Ashaelon

Похожие вопросы