MS Office のファイルからテキストを抽出する

java

apache

msoffice

Word ファイルから中身のテキストを抽出するツールが作りたかったので、Java で Apache POI を利用したプログラムを作ってみました。
といっても POITextExtractor というそのものズバリなクラスがあるので、これを呼び出すようにしただけで簡単に実装できました。

Apache POI - the Java API for Microsoft Documents

The Apache POI Project's mission is to create and maintain Java APIs for manipulating various file formats based upon the Office Open XML standards (OOXML) and Microsoft's OLE 2 Compound Document format (OLE2). In short, you can read and write MS Excel files using Java. In addition, you can read and write MS Word and MS PowerPoint files using Java. Apache POI is your Java Excel solution (for Excel 97-2008). We have a complete API for porting other OOXML and OLE2 formats and welcome others to participate.

以下、プログラミングメモ。

† 今回作ってみたサンプル

今回はコマンドラインのツールにしたかったので、引数にファイル名を渡してテキストを抽出するようにしてみました。
ExtractorFactory はファイルに応じて必要な Extractor を生成してくれるので、これ1つで Word だけでなく、 Excel や PowerPoint ファイルにも対応できました。
java -jar MSOfficeToText.jar hoge.doc のような感じで起動できます。

MSOfficeToText.java

import java.io.File;
import org.apache.poi.extractor.ExtractorFactory;
import org.apache.poi.POITextExtractor;

public class MSOfficeToText {
	public static void main(String[] args) throws Exception {
		if(args.length != 1){
			System.exit(-1);
		}

		File f = new File(args[0]);
		POITextExtractor extractor = ExtractorFactory.createExtractor(f);
		System.out.println(extractor.getText());
	}
}