java 笔记： 读取 doc/docx 中文本

场景：因要处理大量行业数据每个（大部分）单个项目文件中包含一份文档说明部分是txt,另外大部分是doc/docx.
通过 百度得到需要poi方式 读取。
大体是参考此处博主文章：
https://blog.csdn.net/qq_36243824/article/details/71643193

1.下载配置poi的jar。

地址 http://poi.apache.org/download.html 目前最新release 版本是4.0

下载后解压，如图：

image.png

2.编写代码

把这6个poi开头的jar 包导入新建的测试空项目，写如下代码：

public static String getPhoneNum(File filePath) {
    String text = "";

    String fileName = filePath.getName().toLowerCase();// 得到名字小写
    try {
        FileInputStream in = new FileInputStream(filePath);
        if (fileName.endsWith(".doc")) { // doc为后缀的
        
            WordExtractor extractor = new WordExtractor(in);
            text = extractor.getText();
        }
        if (fileName.endsWith(".docx")) { // docx为后缀的
     
            XWPFWordExtractor docx = new XWPFWordExtractor(new XWPFDocument(in));
            text = docx.getText();
        }
    } catch (Exception e) {
        e.printStackTrace();
    }

    return text;
}

public static void main(String[] args) throws Exception {
    File f = new File("E:\\06.doc");
    System.out.println(getPhoneNum(f));
}

但是 提示 位于

 XWPFWordExtractor docx = new XWPFWordExtractor(new XWPFDocument(in)); 

有错误：

 The type org.apache.xmlbeans.XmlException cannot be resolved. It is indirectly referenced from required .class files

参考了https://stackoverflow.com/questions/23080945/java-lang-classnotfoundexception-org-apache-xmlbeans-xmlexception
的回答，又仔细看了原博主的做法，需要把 下载解压后的ooxm-lib下的jar包加进去。

image.png

运行 仍然报错，如图

image.png

主要是：

Caused by: java.lang.ClassNotFoundException: org.apache.commons.collections4.bidimap.TreeBidiMap

显然是缺少引用，回到下载的poi的jar包，路径中有lib,打开如图：

image.png

3.测试

导入 collections4那个，应用，

测试doc文档，成功打印出

image.png

文档内是

image.png

测试docx文档，

image.png

出错，如图

image.png

显然还是缺少包的引用：

     Caused by: java.lang.ClassNotFoundException: org.apache.commons.compress.archivers.zip.ZipFile

查找后到下载地址http://commons.apache.org/proper/commons-compress/download_compress.cgi
当前最新版本是1.1.8版本，下载解压后：

image.png

把第一个jar包配置到项目里，再次执行，成功运行，

image.png