Чтение содержимого файла.doc и запись в файл pdf в java

Question

Я пишу Java-код, который использует Apache-poi для чтения.doc-файла ms-office и API-интерфейсов itext jar для создания и записи в pdf-файл. Я сделал чтение текстов и таблиц, напечатанных в файле.doc. Теперь я ищу решение, которое читает изображения, написанные в документе. Я закодировал следующее, чтобы прочитать изображения в файле документа. Почему этот код не работает.

public static void main(String[] args) {
    POIFSFileSystem fs = null;  
    Document document = new Document();
    WordExtractor extractor = null ;
    try {
        fs = new POIFSFileSystem(new FileInputStream("C:\\DATASTORE\\tableandImage.doc"));
        HWPFDocument hdocument=new HWPFDocument(fs);
        extractor = new WordExtractor(hdocument);
        OutputStream fileOutput = new FileOutputStream(new File("C:/DATASTORE/tableandImage.pdf"));
        PdfWriter.getInstance(document, fileOutput);
        document.open();
        Range range=hdocument.getRange();
        String readText=null;
        PdfPTable createTable;
        CharacterRun run;
        PicturesTable picture;

        for(int i=0;i<range.numParagraphs();i++) {
            Paragraph par = range.getParagraph(i);
            readText=par.text();
            if(!par.isInTable()) {
                if(readText.endsWith("\n")) {
                    readText=readText+"\n";
                    document.add(new com.itextpdf.text.Paragraph(readText));
                } if(readText.endsWith("\r")) {
                      readText += "\n";
                      document.add(new com.itextpdf.text.Paragraph(readText));
                  }
                run =range.getCharacterRun(i);
                picture=hdocument.getPicturesTable();
                if(picture.hasPicture(run)) {
                //if(run.isSpecialCharacter()) {  
                    Picture pic=picture.extractPicture(run, true);
                    byte[] picturearray=pic.getContent();
                    com.itextpdf.text.Image image=com.itextpdf.text.Image.getInstance(picturearray);
                    document.add(image);
                }
            } else if (par.isInTable()) { 
                  Table table = range.getTable(par);
                  TableRow tRow1= table.getRow(0);
                  int numColumns=tRow1.numCells();
                  createTable=new PdfPTable(numColumns);
                  for (int rowId=0;rowId<table.numRows();rowId++) {
                      TableRow tRow = table.getRow(rowId);
                      for (int cellId=0;cellId<tRow.numCells();cellId++) {
                          TableCell tCell = tRow.getCell(cellId);
                          PdfPCell c1 = new PdfPCell(new Phrase(tCell.text()));
                          createTable.addCell(c1);
                      }
                  }
                  document.add(createTable);
              } 
        }
    }catch(IOException e) {
        System.out.println("IO Exception");
        e.printStackTrace();
    }
    catch(Exception exep) {
        exep.printStackTrace();
    }finally {  
        document.close();  
    }  
}

Проблемы: 1. Условие, если (picture.hasPicture(run)) не удовлетворяет, но документ имеет изображение JPEG.

1. Я получаю следующее исключение при чтении таблицы.

   java.lang.IllegalArgumentException: этот абзац не первый в таблице в org.apache.poi.hwpf.usermodel.Range.getTable(Range.java:876) в pagecode.ReadDocxOrDocFile.main(ReadDocxOrDocFile.java:11).

Кто-нибудь может помочь мне решить проблему. Спасибо.

Answer 1

Что касается вашего исключения:

Ваш код перебирает все абзацы и вызовы isInTable() для каждого из них. Поскольку таблицы обычно состоят из нескольких таких абзацев, ваш призыв к getTable() также выполняется несколько раз для одной таблицы.

Однако вместо этого ваш код должен найти первый абзац таблицы, а затем обработать все абзацы в ней (через getRow(m).getCell(n)) и в конечном итоге продолжим работу с внешним циклом в первом абзаце после таблицы. В коде это может выглядеть примерно так (при условии, что нет объединенных ячеек, нет вложенных таблиц и других забавных краевых случаев):

if (par.isInTable()) {
    Table table = range.getTable(par);
    for (int rn=0; rn<table.numRows(); rn++) {
        TableRow row = table.getRow(rn);
        for (int cn=0; cn<row.numCells(); cn++) {
            TableCell cell = row.getCell(cn);
            for (int pn=0; pn<cell.numParagraphs(); pn++) {
                Paragraph cellParagraph = cell.getParagraph(pn);
                // your PDF conversion code goes here
            }
        }
    }
    i += table.numParagraphs()-1; // skip the already processed (table-)paragraphs in the outer loop
}

По поводу вопроса фотографии:

Правильно ли я догадываюсь, что вы пытаетесь получить изображение, которое привязано к данному абзацу? К сожалению, предопределенные методы POI работают только в том случае, если изображение не встроено в поле (что на самом деле довольно редко). Для полевых изображений (т. Е. Предварительных изображений встроенных OLE) вы должны сделать что-то вроде следующего (непроверенного!):

PictureStore pictureStore = new PictureStore(hdocument);
// bla bla ...
for (int cr=0; cr < par.numCharacterRuns(); cr++) {
    CharacterRun characterRun = par.getCharacterRun(cr);
    Field field = hdocument.getFields().getFieldByStartOffset(FieldsDocumentPart.MAIN, characterRun.getStartOffset());
    if (field != null && field.getType() == 0x3A) { // 0x3A is type "EMBED"   
        Picture pic = pictureStore.getPicture(field.secondSubrange(characterRun));
    }
}

Для списка возможных значений Field.getType() смотрите здесь.