[轉載]java擷取word裡面的文本

標籤：分享   ssi   mapping   pre   org   code   real   sql語句   poc   

需求情境

　　開發的web辦公系統如果需要處理大量的Word文檔（比如有成千上萬個文檔），使用者一定提出尋找包含某些關鍵字的文檔的需求，這就要求能夠讀取 word 中的文字內容，而忽略其中的文字樣式、表格、圖片等資訊。

方案分析

　　方案一：使用Apache POI技術將所有伺服器上文檔的文本擷取後儲存到資料庫，尋找文檔時利用sql語句檢索資料中儲存的文檔文本是否包含關鍵字來搜尋到相關文檔。然而現在 microsoft word 有兩種文檔格式doc和docx，這兩個版本儲存資料的格式上都有相當大的差別。調研發現apache  POI針對doc和docx提供了兩套不同的API介面，需要針對兩種文檔格式編寫不同的代碼，word文檔自身格式複雜，讀取word文檔內容的代碼會對伺服器造成一定的壓力，且無法實現讓使用者線上處理word文檔。 

　　POI首頁地址：https://poi.apache.org/

　　方案二：使用PageOffice組件的FileSaver對象的getDocumentText方法，擷取word文檔中的純文字內容，且如果調用PageOffice實現此功能的話，同時也可以實現word檔案的線上編輯。

　　

實現步驟

　　1. 調用PageOffice線上開啟word檔案，比如：test.doc

PageOfficeCtrl poCtrl=new PageOfficeCtrl(request);//設定伺服器頁面poCtrl.setServerPage(request.getContextPath()+"/poserver.zz");//設定儲存頁面為SaveFile.jsp，或SaveFile.do SaveFile.action 等action方法或RequestMapping方法均可poCtrl.setSaveFilePage("SaveFile.jsp");//開啟Word文檔poCtrl.webOpen("doc/test.doc",OpenModeType.docNormalEdit,"Tom");

　　2. 在處理儲存操作的頁面（SaveFile.jsp）或方法裡執行儲存檔案和擷取文檔中純文字內容的操作：

FileSaver fs=new FileSaver(request,response);fs.saveToFile(request.getSession().getServletContext().getRealPath("doc/")+"/"+fs.getFileName());//儲存檔案String strDocumentText = fs.getDocumentText();//擷取文檔的純文字內容，不帶任何附加格式 // - 編寫代碼，儲存文檔的常值內容到資料庫 - //......fs.close();

　　3. 需要對全文檢索索引的時候，只需對資料庫中儲存了word檔案純文字內容的資料庫欄位做SQL查詢即可。

[轉載]java擷取word裡面的文本