如何使用Apache从.ppt中只提取文本

Question

公共类考试{

    public static void main(String[] args) throws Exception{
        String data;
        TikaConfig tikaConfig = TikaConfig.getDefaultConfig();
        Metadata metadata = new Metadata();
        ContentHandler handler;
        try (InputStream stream = new BufferedInputStream(new FileInputStream(new File("E:\\AllTypes\\PPT\\Presentation1.pptx")))) {
            Detector detector = tikaConfig.getDetector();
            Parser parser = tikaConfig.getParser();
            MediaType type = detector.detect(stream, metadata);
            metadata.set(Metadata.CONTENT_TYPE, type.toString());
            handler = new BodyContentHandler(-1);
            parser.parse(stream, handler, metadata, new ParseContext());
            data = handler.toString();
            System.out.println(data);
        }
    }
}

我只有你好世界！在输入的ppt，所以我只想要你好世界！输出: Content_Types.xml

.洋娃娃

ppt/幻灯片/_rels/幻灯片1.xml.rels

ppt/_rels/ppt.xml.rels

ppt/Presation.xml

ppt/幻灯片/幻灯片1.xml你好世界！

ppt/slideLayouts/_rels/sldeLayout6.xml.

ppt/slideLayouts/_rels/sldeLayout7.xml.

ppt/slideLayouts/_rels/sldeLayout9.xml.

ppt/slideLayouts/_rels/sldeLayout10.xml.

ppt/slideLayouts/_rels/sldeLayout8.xml.

ppt/slideLayouts/_rels/sldeLayout11.xml.

ppt/slideLayouts/_rels/sldeLayout1.xml.

ppt/slideLayouts/_rels/sldeLayout2.xml.

ppt/slideLayouts/_rels/sldeLayout3.xml.

ppt/slideLayouts/_rels/sldeLayout4.xml.

ppt/幻灯片母版/_rels/幻灯片Master1.xml.rels

ppt/幻灯片Fourth /幻灯片Layout11.xml单击编辑主标题样式，单击编辑主文本样式，第二级，第三级，第四层，第五层，1/30/2018年<#>

ppt/幻灯片Fourth /幻灯片Layout10.xml单击编辑主标题样式，单击编辑主文本样式，第二级，第三级，第四层，第五层，1/30/2018年<#>

ppt/slideLayouts/sldeLayout3.xml单击编辑主标题样式，单击编辑主文本样式1/30/2018 <#>

ppt/幻灯片Fourth /幻灯片Layout2.xml单击编辑主标题样式，单击编辑主文本样式，第二级，第三级，第四层，第五层，1/30/2018年<#>

ppt/slideLayouts/sldeLayout1.xml单击编辑主标题样式，单击编辑主字幕样式1/30/2018 <#>

ppt/幻灯片母版/幻灯片Master1.xml单击编辑主标题样式，单击编辑主文本样式，第二级，第三级，第四层，第五层，第1/30层/2018年<#>

ppt/幻灯片Fourth /幻灯片Layout4.xml单击编辑主标题样式，单击编辑主文本样式，第二级，第三级，第四级，第五层，编辑主文本样式，第二级，第三级，第四层，第五层，1/30/2018年<#>。

ppt/幻灯片Fourth /幻灯片Layout5.xml单击编辑主标题样式，单击编辑主文本样式，单击编辑主文本样式，第二级，第三级，第四层，第五层单击编辑主文本样式单击此处编辑主文本样式--第二级、第三级、第四层、第五层、第1/30层/2018年<#>

ppt/slideLayouts/sldeLayout6.xml单击以编辑主标题样式1/30/2018 <#>

ppt/slideLayouts/sldeLayout7.xml 1/30/2018 <#>

ppt/幻灯片Fourth /幻灯片Layout8.xml单击编辑主标题样式，单击编辑主文本样式，第二级，第三级，第四层，第五层，单击编辑主文本样式1/30/2018 <#>

ppt/slideLayouts/sldeLayout9.xml单击编辑主标题样式，单击编辑主文本样式1/30/2018 <#>

ppt/slideLayouts/_rels/sldeLayout5.xml.

ppt/theme/eme1.xml

/umbnail.jpeg

ppt/presProps.xml

ppt/tableStyles.xml

ppt/viewProps.xml

docProps/core.xml PowerPoint演示文稿srinuk srinuk 1 2018-01-30T10:19:34Z 2018-01-30T10:22:05Z

docProps/app.xml 2 3 Microsoft Widescreen 1 1 0 0错误字体使用3主题1幻灯片标题1 Arial杯杯灯办公室主题PowerPoint演示假15.0000

Answer 1

您可以尝试使用Tika -app.jar，只需使用Tika提取文本函数即可。

Tika tika = new Tika(); File file = new File("path"); String str = tika.parseToString(file);

此代码仅解析文件中的文本内容。