是否可以使用Apache POI解析MS Word并将其转换为XML？

Question

是否可以使用Apache POI将MS Word转换为XML文件？

如果是这样，你能指点我的任何教程吗？

Answer 1

我说你有两个选择，无论是由Apache POI

一是使用Apache Tika。 Tika是一种文本和元数据提取工具包，能够通过对POI进行适当调用，从Word文档中提取相当丰富的文本。结果是Tika会为您的word文档的内容提供XHTML样式的XML。

另一种选择是使用最近添加到POI的类，即WordToHtmlConverter。这会将你的word文档转换为HTML格式，并且通常会比Tika更多地保留结构和格式。

根据您希望获得的XML的种类，其中之一应该是您的好选择。我建议你同时针对你的一些示例文件尝试一下，看看哪一个最适合你的问题域和需求。

Answer 2

HWPF子项目的目的正是：处理Word文件。

http://poi.apache.org/hwpf/index.html

然后，将数据转换成XML，你必须建立由ususal方式XML：StAX的，JDOM，XStream的...

的Apache提供了一个快速指南：

http://poi.apache.org/hwpf/quick-guide.html

而且我还发现：

http://sanjaal.com/java/tag/simple-java-tutorial-to-read-microsoft-document-in-java/

如果你要处理docx文件，你可能想看看OpenXML4J子项目：

http://poi.apache.org/oxml4j/index.html