java提取网页的正文 java提取word文档的文本内容

1。读取word文件有两种方法，用jacob包，可以修改生成word文件内容。如果只读取word里的文本内容的话，可以用poi读取word文件，先到http://www.ibiblio.org/maven2/org/textmining/tm-extractors/下载tm-extractors-0.4.jar包

2。读取word里的文本内容的示列代码

import java.io.*; 
    import org.textmining.text.extraction.WordExtractor;    public class TestPoi { 
    public TestPoi() { 
    } 
    public static void main(String args[]) throws Exception 
    { 
        try{
    FileInputStream in = new FileInputStream ("D:/szqxjzhbase/doc/修改后/2001-2005年/重大致灾暴雨/20050819-20/技术总结/2005年8月20日一次大暴雨过程低空急流脉动与强降水关系分析 .doc");
        //  FileInputStream in = new FileInputStream ("D:/szqxjzhbase/技术测试/新建 Microsoft Word 文档.doc");
    WordExtractor extractor = new WordExtractor(); 
    System.out.println(in.available());
    String str = extractor.extractText(in); 
//    System.out.println("the result length is"+str.length()); 
    System.out.println(str); 
        }catch(Exception e){
        e.printStackTrace();
    }
    } 
    }

3。问题：有时候有图片读的时候会报个错，但在图片前面加个回车符号就好了，可能与这个包的内部机制有关