HWPFDocument / XWPFDocument新品系

Question

我试图从microsoft中提取数据，并将其转换为sql语句并插入Oracle数据库。

当ms-word中的数据包含由Shift-Enter而不仅仅是enter创建的新行时，

文本包含一个图标，该图标看起来像带有问号的框。

​

​

其中ET只是使用enter键的标准新行，而ST是使用

换挡-进入组合。因此，当生成SQL并将其插入oracle时，oracle并不将其计算为文本，而是计算为十六进制。

我的问题是，如何删除由shift创建的行-输入到一个标准的'\n'？

谢谢

更新这是我获取文本信息的方式

POIFSFileSystem fs = new POIFSFileSystem(new FileInputStream(file));
HWPFDocument doc = new HWPFDocument(fs);
WordExtractor we = new WordExtractor(doc);
text = we.getText();

更新回答:这是poi-3.6中的一个错误。在poi-3.8中，它显示为\r。

Answer 1

您几乎肯定看到的是word文档中的“字段”，它们是特殊的文本块，如链接、宏等。

第一个选项是继续使用WordExtractor，但在使用之前对结果文本调用stripFields(字符串)。这将从文本中删除这些字段中的任何一个。

另一种选择是使用另一种方法来获取文本。WordToTextConverter是Apache的一部分，它是处理更多格式的更复杂的代码，应该跳过这些格式(WordExtractor非常简单和低级别)。另一个是使用阿帕奇蒂卡，它提供了一种从许多文件格式中提取文本的通用方法。它确实有适当的代码来处理字段，而且作为额外的奖励，当您的需求发生变化时，支持.docx或.pdf将是微不足道的！