POI 忽略了一些 docx 片段

Question

我正在尝试使用此代码 (POI 3.11) 从 docx 文件中提取文本：

 XWPFDocument doc = new XWPFDocument(OPCPackage.open("sample.docx"));
        for (XWPFParagraph p : doc.getParagraphs()) {
            List<XWPFRun> runs = p.getRuns();
            if (runs != null) {
                for (XWPFRun r : runs) {
                    String text = r.getText(0);
                    System.out.println(text);
                }
            }
        }

这是 sample.docx 中的 document.xml 文件：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<w:document xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing">
    <w:body>
        <w:p>
            <w:pPr>
                <w:pStyle w:val="Normal"/>
                <w:rPr/>
            </w:pPr>
            <w:bookmarkStart w:id="0" w:name="__DdeLink__59_1605705532"/>
            <w:bookmarkEnd w:id="0"/>
            <w:r>
                <w:rPr/>
                <w:t>A</w:t>     // THIS PRINT!
                <w:tab/>
                <w:t>B</w:t>     // THIS IS NOT! WHY?!
            </w:r>
        </w:p>
        <w:sectPr>
            <w:type w:val="nextPage"/>
            <w:pgSz w:h="16838" w:w="11906"/>
            <w:pgMar w:bottom="1134" w:footer="0" w:gutter="0" w:header="0" w:left="1134" w:right="1134" w:top="1134"/>
            <w:pgNumType w:fmt="decimal"/>
            <w:formProt w:val="false"/>
            <w:textDirection w:val="lrTb"/>
            <w:docGrid w:charSpace="4294961151" w:linePitch="240" w:type="default"/>
        </w:sectPr>
    </w:body>
</w:document>

当我运行代码时，结果如下：

A

我不明白为什么，但出于未知原因，文本中的一些片段（字母 B）被忽略了（如果我使用 LibreOffice 打开文件，它显示成功）。

Answer 1

看着这个 link (http://apache-poi.1045710.n5.nabble.com/POI-3-10-1-XWPFRun-getText-Does-Not-Return-Full-Line-of-Text-tp5716539p5716541.html)，我发现每个段落可能有多个运行（文本片段）并且每个段落可能有不同的样式或没有，具体取决于文件的历史。

在这一期中，文件中有一个段落包含两个文本片段。 String text = r.getText(0) 我只抓到一只。

我怎么在 API 中找不到 returns 一个段落的所有片段的方法，我需要做一个解决方法来解决：

if (runs != null) {
    for (XWPFRun r : runs) {
        int i = 0;
        while (true) {
            try {
                String text = r.getText(i);

                if (text == null) {
                    break;
                }

                System.out.println(text);
                i++;
            } catch (IndexOutOfBoundsException ex) {
                break;
            }
        }    
    }
}

我希望这能对某人有所帮助！

POI 忽略了一些 docx 片段

POI ignoring some snippets of docx

java

xml

docx

apache-poi