使用Apache POI识别隐藏文本Word 2003/2007

Question

我正在将Word (2003和2007)文档转换为HTML格式。我已经设法从Word文档中读取了文本、格式等。但是文档包含一些隐藏的文本，比如“Header Change History”，这些文本不需要显示在页面上。有没有办法从Word文档中识别隐藏的文本。

任何帮助都是非常有价值的。

Answer 1

我不确定这是不是一个完整的(甚至是准确的)解决方案，但是对于DOCX格式的文件，您似乎可以检查字符运行是否隐藏在

XWPFRun cr;
if (cr.getCTR().getRPr().getVanish() != null){
   // it is hidden
}

这是从对XML进行逆向工程中获得的，至少在我的使用中它似乎是有效的。将非常高兴获得额外的(更有见地的)输入，以及一种在旧的二进制文件格式中做同样事情的方法。

Answer 2

下面的代码片段有助于识别文本是否隐藏

POIFSFileSystem fs = null；

    boolean isHidden = false;
    try {
        fs = new POIFSFileSystem(new FileInputStream(filesname));
        HWPFDocument doc = new HWPFDocument(fs);
        WordExtractor we = new WordExtractor(doc);

        String[] paragraphs = we.getParagraphText();

        System.out.println("Word Document has " + paragraphs.length
                + " paragraphs");
        Range range = doc.getRange();

        for (int k = 0; k < range.numParagraphs(); k++) {

            org.apache.poi.hwpf.usermodel.Paragraph paragraph = range
                    .getParagraph(k);
            paragraph.text().trim();
            paragraph.text().replaceAll("\\cM?\r?\n", "");

            for (int j = 0; j < paragraph.numCharacterRuns(); j++) {

                org.apache.poi.hwpf.usermodel.CharacterRun cr = paragraph
                        .getCharacterRun(j);

                if (cr.isVanished()) {
                    // it is hidden
                    System.out.println("text is hidden ");
                    isHidden = true;
                    break;
                }

            }