- poi的WordExtractor解析word03文件，出现文件中不存在的一个网址
-
使用POI的WordExtractor解析word文件的文本，提取出来的文本中出现此word文件内容中不存在的一个网址，具体说明如下：
import org.apache.poi.hwpf.extractor.WordExtractor;public static void test1(String path) {
try {
InputStream in = new FileInputStream(new File(path));
WordExtractor extractor = new WordExtractor(in); //从输入流中加载word文档
String text2003 = extractor.getText().trim();
System.out.print(text2003);
in.close();
} catch (Exception e) {
e.printStackTrace();
}
}public static void main(String[] args) {
test1("F:/爱在北欧宣传点.doc");
} 就是上面图片中“安徒生的童话故事将以话剧...”这句话被解析出来是以下这个样子的：(http://www.visitdenmark.cn/sites/default/files/styles/article_slide_583x285/public/%E6%89%93%E7%81%AB%E5%8C%A3%E4%BA%B2%E5%AD%90%E6%B4%BB%E5%8A%A8%E4%B8%AD%E5%BF%832_%E5%89%AF%E6%9C%AC.jpg?itok=k1qloq1J" \o ")安徒生的童话故事将以话剧、故事讲述、剧院和艺术形式独具匠心的再现。
前面多了一个小括号括起来的网址，这是为何？
有经验的同行帮忙解决以下，感激!
我也试过也会出现莫名url，可以换种方式，用getParagraphText()和stripFields方法可解决，
ByteArrayInputStream is = new ByteArrayInputStream(bytes);
WordExtractor extractor = new WordExtractor(is);
String [] para =extractor.getParagraphText();
StringBuilder sb=new StringBuilder();
for(String s:para){
System.out.println(WordExtractor.stripFields(s)); //去除特殊标签
System.out.println("---------------------------");
sb.append(WordExtractor.stripFields(s));
}
System.out.println(sb.toString());
