Apache POI： - 从DOC文件获取标题

Question

我在搞apache poi来操纵word文档。有没有办法从doc文件中获取标题？我能够从文档中获取纯文本，但我需要区分文档文件中的所有标题？是在apache poi api中可用的任何函数只能从ms文件中获取标题？

Answer 1

推进的注释来回答

有两种方法做一个“标题”在Word中。 “适当”的方式，并的方式，大多数人似乎做...

1. 在样式下拉列表中，挑选适当的标题样式，写你的文字，然后返回到正常的段落样式下一行

2. 高亮显示一行，并撞了字体大小+使其粗体或斜体

如果你的用户在做＃2，你已经确定了标题的基本上没有真正的希望。编写一些模糊匹配逻辑以尝试识别字体大小跳跃时，您很失败

对于＃1，在Apache POI中相当容易。你想要做的是获取适用于段落的样式的样式描述，然后获取样式的名称。如果以Heading开头（不区分大小写），则表明您已找到标题。获取该段的文本，然后继续阅读文档。

如果你看一下它是建立在POI顶部的Apache Tika MS-Word parser，你会看到一个很好的例子有遍历段落和检查风格

Answer 2

的一样Gagravarr说：

对于＃ 1，在Apache POI中相当容易。你想要做的是获取适用于段落的样式的样式描述，然后获取样式的名称。如果以标题开头（不区分大小写），则知道已找到标题。获取该段的文本，然后继续阅读文档。

使用Apache POI这样的代码：

 File f=new File("test.docx"); 
     FileInputStream fis = new FileInputStream(f); 
     XWPFDocument xdoc=new XWPFDocument(OPCPackage.open(fis)); 
     XWPFStyles styles=xdoc.getStyles();   
     List<XWPFParagraph> xwpfparagraphs =xdoc.getParagraphs(); 
     System.out.println(); 
     for(int i=0;i<xwpfparagraphs.size();i++) 
     { 
      System.out.println("paragraph style id "+(i+1)+":"+xwpfparagraphs.get(i).getStyleID());       
      if(xwpfparagraphs.get(i).getStyleID()!=null) 
      { 
       String styleid=xwpfparagraphs.get(i).getStyleID(); 
       XWPFStyle style=styles.getStyle(styleid); 
       if(style!=null) 
       { 
        System.out.println("Style name:"+style.getName()); 
        if(style.getName().startsWith("heading")) 
        { 
         //this is a heading 
        } 
       } 

      } 


     } 

Answer 3

至少在HWPF（即旧的二进制文档格式），如果你有一个正确格式的文件（这样键入其他的答案＃1），你应该不完全依赖于风格名称 - 事实上，这可能是一种与语言相关的价值（英文中的“Heading”，法语中的“Titre”等）。

Paragraph.getLvl()，它编码level where the respective paragraph is shown in Word's outline view，往往是一个很好的次要来源。 1构成最重要的级别，所有后续数字最多为8代表较不重要的标题候选，9是默认情况下Word分配给普通（非标题）段落的值。