使用apache-poi从doc和docx文件中提取标题和段落

Question

我试图通过ApachePOI阅读Microsoft word文档，发现提供了两种方便的方法来扫描文档，如getText（）、getParagraphList（）等。。但我的用例略有不同，我们希望扫描任何文档的方式是，它应该按照文档中出现的相同顺序为我们提供事件/信息，如标题、段落、表格。它将帮助我准备一个文档结构，比如，

    <content>

    <section>

         <heading> ABC </heading>

         <paragraph>xyz </paragraph>

        <paragraph>scanning through APIs</paragraph>        

    <section>
    .
    .
    .

    </content>

其主要目的是保持标题和段落之间的关系，如原始文件所示。不确定，但像这样的东西对我有用吗，

    Iterator<IBodyElement> itr = doc.getBodyElementsIterator();

        while(itr.hasNext()) {

          IBodyElement ele = itr.next();

          System.out.println(ele.getElementType());

        }

我能够得到段落列表，但没有标题信息使用此代码。只需提及，我对所有标题都感兴趣，它们可以通过使用样式或大字体显式标记为标题。

Answer 1

标题不内联存储在主文档中，它们位于其他位置，这就是为什么不将它们作为主体元素。主体元素是类似于节、段落和表的东西，而不是标题，因此您必须自己获取它们。

如果您在Apache Tika中查看这段代码，您将看到一个如何执行的示例。假设您正在迭代body元素，并且想要段落的页眉/页脚，您将需要这样的代码（基于Tika代码）：

for(IBodyElement element : bodyElement.getBodyElements()) {
    if(element instanceof XWPFParagraph) {
         XWPFParagraph paragraph = (XWPFParagraph)element;
         XWPFHeaderFooterPolicy headerFooterPolicy = null;

         if (paragraph.getCTP().getPPr() != null) {
            CTSectPr ctSectPr = paragraph.getCTP().getPPr().getSectPr();
            if(ctSectPr != null) {
               headerFooterPolicy = new XWPFHeaderFooterPolicy(document, ctSectPr);
               // Handle Header
            }
         }
         // Handle paragraph
         if (headerFooterPolicy != null) {
            // Handle footer
         }
    }
    if(element instanceof XWPFTable) {
         XWPFTable table = (XWPFTable)element;
         // Handle table
    }
    if (element instanceof XWPFSDT){
        XWPFSDT sdt = (XWPFSDT) element;
        // Handle SDT
    }
}