这几天在学习java io流的东西，有一个网友看到博客后问了一个问题，就是说他的doc文档为什么用我所说的方法死活就是乱码。
 
 
我一开始以为是他方法问题，结果自己试了之后发现和他的结果一样也是乱码。
 
 
于是在网上搜寻了一阵之后才发现原来doc文档和excel一样不能用普通的io流的方法来读取，而是也需要用poi，于是进行了一番尝试后，终于以正确的编码格式读取了这个doc文件。
 
 
在网上搜索的过程中发现doc和docx的读取方法是不一样的，于是顺带也学了一下docx文件的简单读取。
 
 
一、导包：
 doc文件的读取，需要导入poi-scratchpad的jar包和相关依赖包：
 
 
docx文件读取，需要导入poi-ooxml的jar包和相关依赖包：
 
 
我用的是maven构建项目，相关的依赖包会自动导入，maven导包配置如下：
 
 <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-ooxml</artifactId>
        <version>3.8</version>
    </dependency>
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-scratchpad</artifactId>
        <version>3.8</version>
    </dependency>
 
二、读取文件的代码：
 1、doc文件读取简单示例：
 
public static void readAndWriterTest3() throws IOException {
        File file = new File("C:\\Users\\tuzongxun123\\Desktop\\aa.doc");
        String str = "";
        try {
            FileInputStream fis = new FileInputStream(file);
            HWPFDocument doc = new HWPFDocument(fis);
            String doc1 = doc.getDocumentText();
            System.out.println(doc1);
            StringBuilder doc2 = doc.getText();
            System.out.println(doc2);
            Range rang = doc.getRange();
            String doc3 = rang.text();
            System.out.println(doc3);
            fis.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
 
2、docx文件读取简单示例：
 
public static void readAndWriterTest4() throws IOException {
        File file = new File("C:\\Users\\tuzongxun123\\Desktop\\aa.docx");
        String str = "";
        try {
            FileInputStream fis = new FileInputStream(file);
            XWPFDocument xdoc = new XWPFDocument(fis);
            XWPFWordExtractor extractor = new XWPFWordExtractor(xdoc);
            String doc1 = extractor.getText();
            System.out.println(doc1);
            fis.close();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
 
//20171218修改
 我并没有在工作中操作过word，这篇博客也只是一时兴起所做，因此写的很简单。
 而最近陆续有朋友找我询问相关的问题，其中有好几个都在询问依赖包有哪些，为了避免一再回答这种问题，特将依赖包截图：
 
 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YyC68tDX-1602637866657)(https://blog.tzxcode.cn/images/copyright.png)]

转载自 PHP 注释的艺术 —— phpDoc 规范
 
PHPDOC
 
 
 
 
PHPDoc 是一个 PHP 版的 Javadoc。它是一种注释 PHP 代码的正式标准。它支持通过类似 phpDocumentor 这样的外部文档生成器生成 API 文档，也可以帮助一些例如 Zend Studio, NetBeans, ActiveState Komodo Edit and IDE 和 Aptana Studio 之类的 集成开发环境 理解变量类型和弱类型语言中的其他歧义并提供改进的代码完成，类型提示和除错功能。
 PHPDoc 可同时支持 面向对象 的和 面向过程的 代码。
 
 
以上摘自维基百科
 
 
 
简单来说 PHPDOC 可以用来自动生成 API 文档。主流的 IDE 都会识别它，并在你 coding 中给予你相应的智能提示。使用 PHPDOC 有以下好处
 
 
 
让你的代码更加规 zhuang 范 bi，更易于理解
 
 
让你的 IDE 更懂你的代码，更加智能的提示和自动完成
 
 
如需 API 手册，可使用 phpDocumentor 来自动生成
 
 
还等什么？快跟我一起来学习又好用又有逼格的 phpDoc 吧！
 
有关 phpDoc 的完整文档位于 phpDocumentor 官网。以下内容由我个人理解、提炼而来，而且我也还在学习中，如有失误还请各位多多指教
 
@api
表示这是一个提供给第三方使用的 API 接口

@author
作者
格式 @author [名称] [<邮箱>]
例如 @author mokeyjay <i@mokeyjay.com>

@copyright
版权声明。例如很多网站底部都有
格式 @copyright [描述]
例如 @copyright 1949-2016 China

@deprecated
不建议使用的、已过期的、将被删除的
格式 @deprecated [<版本号>] [<描述>]
例如 @deprecated 1.0.0 新版本将不再包含此函数
如果它是被其他方法所取代了，建议添加 @see 标记

@example
例子、示例、用例。也可表示方法返回值的例子
格式 @example [位置] [<起始行号> [<行数>] ] [<描述>]
例如 @example demo.php 10 3 使用示例

@filesource
没看懂，如果你们看懂了请告诉我。传送门

@global
全局变量
格式 @global [类型][名称] @global [类型][描述]
我怀疑这里是源文档打错了，大概应该是
格式 @global [类型][名称][描述]
类型 @global string name 用户名

@ignore
忽略
格式 @ignore [<描述>]
例如你在 if 和 else 的语句块中定义分别同一个变量但值不同时，可以通过此标记让 phpDocumentor 忽略其中一个，以免生成重复的文档。例如

if ($ostest) {
     /**
      * This define will either be 'Unix' or 'Windows'
      */
     define("OS","Unix");
 } else {
     /**
      * @ignore
      */
     define("OS","Windows");
 }
@internal
仅限内部使用的
格式 @internal [描述]
例如 @internal 仅限内部测试使用

@license
协议，很常见的啦
格式 @license [<url>] [名称]
例如 @license GPL

@link
链接，可用于辅助说明、引用文档等
格式 @link [url] [<描述>]
例如 @link http://g.cn 不懂滚去问谷歌，别来烦我

@method
方法。这是用在类注释里的标记。特别适合一些动态加载的类，IDE 无法自动提示出来，这时就可以通过写 @method 标记来告诉 IDE 我这类里有哪些方法
格式 @method [返回值类型] [名称]([[类型] [参数]<, ...>]) [<描述>]
例如 @method string google(string $question) 向谷歌提问，返回答案内容

@package
包。但 php 没有包，所以就用来表示命名空间
例如 @package yii\base\db

@param
参数，用于函数和方法注释里的标记
格式 @param [Type] [name] [<description>]
例如 @param string title 文章标题

@property
类属性，与 @method 类似，可以告诉 IDE 我这类里有哪些属性
格式 @property [Type] [name] [<description>]
例如 @property int id 用户id

@property-read
只读的属性。例如__get 魔术方法能够取到的属性
格式 @property-read [Type] [name] [<description>]
例如 @property-read int id 用户id

@property-write
只可写的属性。例如__set 魔术方法能够设置的属性
格式 @property-write [Type] [name] [<description>]
例如 @property-write string name 用户名

@return
返回值
格式 @return [类型] [<描述>]]
例如 @return array 结果数组

@see
参考，类似 @link，可与 @deprecated 联动
格式 @see [url或完整方法名] [<描述>]
例如 @see \yii\base\db::tableName() 旧方法table_name已弃用，请使用此方法替代

@since
从 xx 版本开始。例如从 1.0 之后添加了 xx 功能、删除了 xx 参数等
格式 @since [1.0.0] [<描述>]
例如 @since 1.0.2 添加了$b参数

@source
没看懂，如果你们看懂了请告诉我。传送门

@throws
可能会抛出的错误类型
格式 @throws [类型] [<描述>]
例如 @throws LifeException 没钱了，好想死啊

@todo
待办。提示自己或他人还需要做些什么
格式 @todo [描述]
例如 @todo 这个类还没做异常处理

@uses
使用
格式 @uses [完整方法名] [<描述>]
例如 @uses \yii\base\db::$count 使用此属性计数

@var
变量
格式 @var [类型] [变量名] [<描述>]
例如 @var int id 用户id

@version
版本号
格式 @version [<载体>] [<描述>]
例如 @version 1.0.1 2016-07-03更新
或者 @version GIT:1f3197d01 来自GIT分支1f3197d01
 
博客原文
 
转载自 PHP 注释的艺术 —— phpDoc 规范
 
其他文章链接
 
PHP 经验 —— PHPDoc PHP 注释的标准文档（翻译自 Wiki）
 
PHPDOC参考文档

仅此记录python读取doc/docx文件的方法，和常用简单的open txt文件完全不同（版本python 3.6   Win10）
 
docx
 
使用docx包，python为其专用接口，python-docx，使用
 
pip install python-docx
 
安装即可，本人第一次在pycharm直接安装，出现了关于版本报错的问题，后来直接使用pip安装成功，简单使用如下：
 
import docx
path = "append/***.docx"
file = docx.Document(path)
for p in file.paragraphs:
    print(p.text)
 
同时，对于文档，要通过每一段来获取内容，不能直接输出file得到文本内容
 
docx中包含超链接网址的读取
 
分段读取
 
这次使用时，发现正常读取无法读取docx中网址，例如下面word文档（.docx）中的网址：
 
 
 
csdn：https://blog.csdn.net/weixin_39643135/article/details/91348983
 
 
腾讯网：https://www.qq.com/
 
 
百度：https://www.baidu.com/
 
 
 将该docx复制一份，并重命名为.zip，然后解压缩，得到：
 
 
打开word文件夹，查看document.xml，大致看一下结构：
 
 
 就可以大致了解后面获取超链接的原理了。
 
import docx

def get_paragraph_from_docx(paragraph):
    """
    处理docx文件无法直接获取网址链接文本问题
    :param paragraph: 读取到的该段落，会自动跳过表格
    :return: 文本text，有无链接均可处理
    """
    t_para = u""
    # 有无超链接均可处理
    xml_str = str(paragraph.paragraph_format.element.xml)
    wt_list = re.findall('<w:t[\S\s]*?</w:t>', xml_str)
    for wt in wt_list:
        wt_content = re.sub('<[\S\s]*?>', u"", wt)
        t_para += wt_content
    '''
    多个链接会需要该部分，将各部分连接，最后返回的就是text了，为一个list
    text = []
    if t_para:
        t_para = t_para.strip()
        t_para = re.sub('[\s]', '', t_para)
        if t_para:
            text.append(t_para)
    '''
    return t_para

path = "append/***.docx"
file = docx.Document(path)
for p in file.paragraphs:
    text = get_paragraph_from_docx(p)
 
注：上面部分无法获取表格、word自动生成的编号等，类似的，这些还需要同其他正则表达式匹配 
 
不分段-直接读取全部
 
上面是用了之前的方式，分段读取超链接，还可以直接读取该篇文章的所有链接：
 
from docx import Document
from docx import RT

document = Document(".docx")
rels = document.part.rels
for rel in rels:
    if rels[rel].reltype == RT.HYPERLINK:
    print("\n 超链接文本为", rels[rel], " 超链接网址为: ", rels[rel]._target)
 
 
 
doc
 
查看了网上的各种方法，大部分还是接受将doc文件强制另存为docx文件（使用代码转换，而不是直接修改后缀），在读取即可，需要另外安装win32com模块，注意就是直接使用 pip install win32com 安装不成功，需要用
 
python -m pip install pypiwin32
 
即可，简单使用如下
 
import docx
import win32com.client as wc

#doc文件另存为docx
word = wc.Dispatch("Word.Application")
doc = word.Documents.Open(r"F:\\***\\***\\append\\***.doc")
#上面的地方只能使用完整绝对地址，相对地址找不到文件，且，只能用“\\”，不能用“/”，哪怕加了 r 也不行，涉及到将反斜杠看成转义字符。
doc.SaveAs(r"F:\\***\\***\\appendDoc\\***.docx", 12, False, "", True, "", False, False, False, False)#转换后的文件,12代表转换后为docx文件
#doc.SaveAs(r"F:\\***\\***\\appendDoc\\***.docx", 12)#或直接简写
#注意SaveAs会打开保存后的文件，有时可能看不到，但后台一定是打开的
doc.Close
word.Quit

path = "appendDoc/***.docx"
file = docx.Document(path)
for p in file.paragraphs:
    print(p.text)
 
在想办法如何可以在保存的时候不打开docx文件，查看了SaveAs的参数，但还没有发现结果。。。希望各位大佬哪位知道可以解惑
 
pdf
 
没有具体实现了解，只当看了下，需要安装库 pdfminer 使用

1.http://www.erlang.org/doc/apps/erts/erl_dist_protocol.html Distribution Protocol
2.http://www.erlang.org/doc/man/erl.html  erl命令详解
3.http://www.erlang.org/doc/tutorial/introduction.html#id61733 erlang与其他语言接口
4.http://www.erlang.org/doc/efficiency_guide/binaryhandling.html erlang效率
5.http://www.erlang.org/doc/apps/erts/erl_ext_dist.html#utf8_atoms erlang erts
6.http://www.erlang.org/doc/apps/erts/erl_ext_dist.html  erlang外部数据格式(网络传输)
7.http://www.erlang.org/doc/tutorial/overview.html  erlang跟外部节点的通信及Nif详解