我有包含文本和图像的 MS Word 文档。我想解析它们以获得 xml 结构。经过研究，我最终使用 apache tika 来转换我的文档。我可以将我的文档解析为 xml。这是我的代码：
AutoDetectParser parser=new AutoDetectParser();
InputStream input=new FileInputStream(new File("1.docx"));
Metadata metadata = new Metadata();
StringWriter sw = new StringWriter();
SAXTransformerFactory factory = (SAXTransformerFactory)SAXTransformerFactory.newInstance();
TransformerHandler handler = factory.newTransformerHandler();
handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "xml");
handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "no");
handler.setResult(new StreamResult(sw));
parser.parse(input, handler, metadata, new ParseContext());
String xhtml = sw.toString();
我想从文档中提取图像并将其转换为二进制格式。我不知道如何从文档中提取嵌入资源。
您需要定义自己的类来实现Parser并将其附加到ParseContext您在解析外部文档时提供。然后，您的解析器将被调用以获取所有嵌入资源，如果您愿意，您可以将它们保存出来
我能想到的最好的例子是 Tika CLI，由-z（摘录）标志。如果您查看TikaCLI 的源代码 http://svn.apache.org/repos/asf/tika/trunk/tika-app/src/main/java/org/apache/tika/cli/TikaCLI.java，您正在寻找FileEmbeddedDocumentExtractor作为你的例子。
最简单的代码如下：
final AutoDetectParser parser = new AutoDetectParser();
public class ExtractParser extends AbstractParser {
private int att = 0;
public Set<MediaType> getSupportedTypes(ParseContext context) {
// Everything AutoDetect parser does
return parser.getSupportedTypes(context);
}
public void parse(
InputStream stream, ContentHandler handler,
Metadata metadata, ParseContext context)
throws IOException, SAXException, TikaException {
// Stream to a new file
File f = new File("out-" + (++att) + ".bin");
FileOutputStream fout = new FileOutputStream(f);
IOUtils.copy(strea, fout);
fout.closee();
}
}
InputStream input = new FileInputStream(new File("1.docx"));
Metadata metadata = new Metadata();
ParseContext context = new ParseContext();
context.set(Parser.class, extractParser);
parser.parse(input, handler, metadata, context);
您还可以使用EmbeddedDocumentExtractor如果您愿意的话，接口取决于您想要做什么，如果直接使用 Parser 更好
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
