Apache POI Word - Extração de Texto

Este capítulo explica como extrair dados de texto simples de um documento do Word usando Java. Caso você queira extrair metadados de um documento do Word, use o Apache Tika.

Para arquivos .docx, usamos a classe org.apache.poi.xwpf.extractor.XPFFWordExtractor que extrai e retorna dados simples de um arquivo Word. Da mesma forma, temos diferentes metodologias para extrair títulos, notas de rodapé, dados de tabelas, etc. de um arquivo Word.

O código a seguir mostra como extrair texto simples de um arquivo Word -

import java.io.FileInputStream;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.poi.xwpf.usermodel.XWPFDocument;

public class WordExtractor {

   public static void main(String[] args)throws Exception {

      XWPFDocument docx = new XWPFDocument(new FileInputStream("create_paragraph.docx"));
      
      //using XWPFWordExtractor Class
      XWPFWordExtractor we = new XWPFWordExtractor(docx);
      System.out.println(we.getText());
   }
}

Salve o código acima como WordExtractor.java. Compile e execute-o a partir do prompt de comando da seguinte maneira -

$javac WordExtractor.java
$java WordExtractor

Ele irá gerar a seguinte saída:

At tutorialspoint.com, we strive hard to provide quality tutorials for self-learning
purpose in the domains of Academics, Information Technology, Management and Computer
Programming Languages.