qxyu的博客

tika虽然能解析，但是得到的数据带有其他数据，比如wps的docx会解析出作者信息，这个肯定是不行，最终的办法，通过解压的方式(代码需要自行编写),这里只有docx 或者pptx 需要解压，doc ,ppt(这个没试,猜的) 是不阔以的。解压后的数据存储在解压目录下 ./word/document.xml(我解压的表格文件存储需要100m) 文件里面，这就简单多了，使用文件流读取文件,将内容读出,这里使用正则匹配将内容提出。,然后去掉包围符，内容就可以提出来啦，当然这里也会将换行串提取出来。