Leer documentos de Microsoft Word en texto sin formato (DOC, DOCX) en Java

Question

Estoy buscando algo en Java para leer en documentos de Word para procesar su texto ... todo lo que necesito es texto, nada especial. Sé sobre Apache POI, sin embargo, no incluye soporte para DOCX en este momento, ¿hay algo por ahí?

Answer 1

Encontré un poco de Google OpenXML4J. Esto podría resolver su problema. No he usado esto antes, estoy seguro de que alguien en la comunidad tendrá una mejor idea.

Nota: esta es una pregunta duplicada. Esto tiene la solución más un poco de discusión. Link to the question.

Answer 2

Si no necesita información de formato, imágenes y otras cosas sofisticadas, entonces el trabajo es mucho más fácil. Solo unas 5 a 10 líneas de código funcionarán.

1. Tratar DOCX como un archivo zip. Consiste en un grupo de archivos que incluye 'document.xml'. Use ZipInputStream y extraiga ese archivo solo. (¡puede usar su utilidad zip favorita y abrir docx y verlo usted mismo!)
2. Utilice un analizador SAX y lea los contenidos entre el cuerpo del nodo/p/r/t - ¡de inmediato recibió el texto!

Esto es aplicable solo si necesita el texto solo.

Answer 3

Puede probar docx4j; ver http://dev.plutext.org/svn/docx4j/trunk/docx4j/src/main/java/org/docx4j/TextUtils.java

Answer 4

Probar apache poi - puede manejar doc, docx, xls, xlsx, ppt, pptx.

Otra solución de nivel de producción es OpenOffice en modo sin cabeza que incluso se puede usar en un escenario del lado del servidor.