如何使用 Apache POI 从 MS Word 文档的文本框中获取文本？

Question

我想获取 MS Word 文档中文本框中写入的信息。我正在使用 Apache POI 来解析 word 文档。

目前，我正在迭代所有段落对象，但此段落列表不包含 TextBox 中的信息，因此我在输出中丢失了此信息。

例如

paragraph in plain text

**<some information in text box>**

one more paragraph in plain text

我想要提取的内容：

<para>paragraph in plain text</para>

<text_box>some information in text box</text_box>

<para>one more paragraph in plain text</para>

我当前得到的内容：

纯文本段落

再纯文本段落

任何人都知道如何提取信息使用 Apache POI 从文本框？

Answer 1

这对我有用，

    private void printContentsOfTextBox(XWPFParagraph paragraph) {

        XmlObject[] textBoxObjects =  paragraph.getCTP().selectPath("
            declare namespace w='http://schemas.openxmlformats.org/wordprocessingml/2006/main' 
            declare namespace wps='http://schemas.microsoft.com/office/word/2010/wordprocessingShape' 
            declare namespace v='urn:schemas-microsoft-com:vml'
            .//*/wps:txbx/w:txbxContent | .//*/v:textbox/w:txbxContent");

        for (int i =0; i < textBoxObjects.length; i++) {
            XWPFParagraph embeddedPara = null;
            try {
            XmlObject[] paraObjects = textBoxObjects[i].
                selectChildren(
                new QName("http://schemas.openxmlformats.org/wordprocessingml/2006/main", "p"));

            for (int j=0; j<paraObjects.length; j++) {
                embeddedPara = new XWPFParagraph(
                    CTP.Factory.parse(paraObjects[j].xmlText()), paragraph.getBody());
                //Here you have your paragraph; 
                System.out.println(embeddedPara.getText());
            } 

            } catch (XmlException e) {
            //handle
            }
        }

     } 

Answer 2

要从 crgrep 的 Word .doc 和 .docx 文件中提取所有出现的文本，我使用了 Apache Tika 源作为如何正确使用 Apache POI API 的参考。如果您想直接使用 POI 而不依赖于 Tika，这非常有用。

对于 Word .docx 文件，请查看此 Tika 类：

org.apache.tika.parser.microsoft.ooxml.XWPFWordExtractorDecorator

如果忽略 XHTMLContentHandler 和格式化代码，您可以了解如何使用 POI 正确导航 XWPFDocument。
对于 .doc 文件，此类很有用：

org.apache.tika.parser.microsoft.WordExtractor

均来自 tika-parsers-1.x.jar。通过 Maven 依赖项访问 Tika 代码的一种简单方法是将 Tika 临时添加到 pom.xml，例如

<dependency>
    <groupId>org.apache.tika</groupId>
    <artifactId>tika-parsers</artifactId>
    <version>1.7</version>
</dependency>

让您的 IDE 解析附加源并单步执行上面的类。

Answer 3

如果您想从 docx 文件中的文本框获取文本（使用 POI 3.10-FINAL），这里是示例代码：

FileInputStream fileInputStream = new FileInputStream(inputFile);
XWPFDocument document = new XWPFDocument(OPCPackage.open(fileInputStream)); 
for (XWPFParagraph xwpfParagraph : document.getParagraphs()) {
     String text = xwpfParagraph.getParagraphText(); //here is where you receive text from textbox
}

或者您可以迭代每个
XWPFRun 在 XWPFParagraph 中并调用 toString() 方法。相同的结果。