Java で .doc、.docx、.pdf ファイルを読み取り、処理しようとしています。Apache POI (doc、docx 用) およびApache PDFBox (pdf 用) ライブラリを使用して単一の文字列に変換します。
テキストボックスに遭遇するまでは問題なく動作します。フォーマットが次のような場合:
段落 1
テキストボックス 1
段落 2
テキストボックス 2
段落 3
次に、出力は次のようになります:
段落 1 テキストボックス 1 段落 2 テキストボックス 2 段落 3
しかし、私が得ている出力は:
段落 1 段落 2 段落 3 テキストボックス 1 テキストボックス2
テキストボックスが必要な場所、つまり段落の間にではなく、最後に追加されているようです。この問題は、doc ファイルと pdf ファイルの両方の場合に発生します。つまり、POI と PDFBox の両方のライブラリで同じ問題が発生しています。
PDFファイルを読み取るためのコードは次のとおりです。
void pdf(文字列ファイル) は IOException をスローします {
//ファイルの初期化
ファイル myFile = 新しいファイル(ファイル);
PDDocument pdDoc = null;
試す {
//PDF を読み込む
pdDoc = PDDocument.load(myFile);
//エクストラクタを作成
PDFTextStripper pdf = new PDFTextStripper();
//テキストを抽出
出力 = pdf.getText(pdDoc);
}
最後に {
if(pdDoc != null)
//ドキュメントを閉じる
pdDoc.close();
}
}
doc ファイルのコードは次のとおりです。
void doc(String file) は FileNotFoundException、IOException {
ファイル myFile = null;
WordExtractor エクストラクタ = null ;
//ファイルを初期化
myFile = 新しいファイル(ファイル);
//ファイル入力ストリームを作成
FileInputStream fis=new FileInputStream(myFile.getAbsolutePath());
//ドキュメントを開く
HWPFDocument document=new HWPFDocument(fis);
//エクストラクタを作成
エクストラクタ = 新しい WordExtractor(ドキュメント);
//ドキュメントからテキストを取得
出力 = extractor.getText();
}