java獲取word裏面的文本

需求場景

　　開發的web辦公系統如果需要處理大量的Word文檔（比如有成千上萬個文檔），用戶一定提出查找包含某些關鍵字的文檔的需求，這就要求能夠讀取 word 中的文字內容，而忽略其中的文字樣式、表格、圖片等信息。

方案分析

　　方案一：使用Apache POI技術將所有服務器上文檔的文本獲取後存儲到數據庫，查找文檔時利用sql語句檢索數據中存儲的文檔文本是否包含關鍵字來搜索到相關文檔。然而現在 microsoft word 有兩種文檔格式doc和docx，這兩個版本存儲數據的格式上都有相當大的差別。調研發現apache  POI針對doc和docx提供了兩套不同的API接口，需要針對兩種文檔格式編寫不同的代碼，word文檔自身格式複雜，讀取word文檔內容的代碼會對服務器造成一定的壓力，且無法實現讓用戶在線處理word文檔。 

　　POI主頁地址：https://poi.apache.org/

　　方案二：使用PageOffice組件的FileSaver對象的getDocumentText方法，獲取word文檔中的純文本內容，且如果調用PageOffice實現此功能的話，同時也可以實現word文件的在線編輯。

實現步驟

　　1. 調用PageOffice在線打開word文件，比如：test.doc

PageOfficeCtrl poCtrl=new PageOfficeCtrl(request);
//設置服務器頁面
poCtrl.setServerPage(request.getContextPath()+"/poserver.zz");
//設置保存頁面爲SaveFile.jsp，或SaveFile.do SaveFile.action 等action方法或RequestMapping方法均可
poCtrl.setSaveFilePage("SaveFile.jsp");
//打開Word文檔
poCtrl.webOpen("doc/test.doc",OpenModeType.docNormalEdit,"Tom");

　　2. 在處理保存操作的頁面（SaveFile.jsp）或方法裏執行保存文件和獲取文檔中純文本內容的操作：

FileSaver fs=new FileSaver(request,response);
fs.saveToFile(request.getSession().getServletContext().getRealPath("doc/")+"/"+fs.getFileName());//保存文件
String strDocumentText = fs.getDocumentText();//獲取文檔的純文本內容，不帶任何附加格式 
// - 編寫代碼，保存文檔的文本內容到數據庫 - //
......
fs.close();

　　3. 需要對全文檢索的時候，只需對數據庫中保存了word文件純文本內容的數據庫字段做SQL查詢即可。