精华内容
下载资源
问答
  • 2021-09-18 16:54:00

    引入POM依赖:

    <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi-excelant</artifactId>
          <version>3.12</version>
        </dependency>
        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi-scratchpad</artifactId>
          <version>3.12</version>
        </dependency>
        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi-ooxml</artifactId>
          <version>3.8</version>
        </dependency>
        <dependency>
          <groupId>org.apache.poi</groupId>
          <artifactId>poi-ooxml-schemas</artifactId>
          <version>3.8</version>
        </dependency>
    <!-- 生成图片-->
     <dependency>
        <groupId>org.jfree</groupId>
        <artifactId>jfreechart</artifactId>
        <version>1.0.19</version>
      </dependency>
      <dependency>
    <!--支持插入图片-->
        <groupId>org.docx4j</groupId>
        <artifactId>docx4j</artifactId>
        <version>3.3.1</version>
      </dependency>

    现在项目有个需求,用户只需要输入相关信息,就可以根据现有的word模板自动生成一个word文件。现有word模板如下:

     现在我要往word空白处插入对应的数据,那么如何插入呢?首先java无法直接定位到word具体某一位置,这个不用多解释都能明白。那我们就需要通过另一种思维方式。也就是替换文本的方式来实现在具体的位置插入数据的效果。

    我们可以在word空白处要插入数据的位置输入一些文本数据,可以把这些文本数据看成是占位数据。这些文本数据可以自己随意输入。但必须是word模板中不存在的文本。这个道理很简单,如果输入的文本在word中已经存在,那么替换操作可能会将之前的文本也给替换了。

    根据word模板,我插入了如下数据作为占位:

     接下来这个步骤很重要。我们在插入了占位文本后,还需要再占位文本的前后插入书签。我们可以选中占位文本。选中占位文本——>插入——>书签——>输入书签名(随意起)——>添加书签

     那么为什么要插入书签呢?不插入行不行?

    必须要插入!因为JAVA操作word的对象有 表格对象,有段落对象,有行对象。但是没有字对象!什么意思?也就是说java操作Word文本的最小单位是一行数据。JAVA无法精确定位到要操作的是哪个字,只能定位到要操作的是哪一行!那么插入书签有什么用呢?在文本的前后加入了书签,可以让java在解析这串文本的时候,认为他是独立的一行数据。也就是说,当我们给占位文本的前后加入了书签以后,占位文本会独占一行!,这也就意味着我可以直接将占位文本替换。

    接下来直接上代码:

    /**
         *将word中某些标签替换成指定的值,并生成一个新的word文档。
         * @param templateFilePath word模板文件路径
         * @param outFilePath 填充后输出文件路径
         * @param map  key:word中的占位标签,value对应标签要替换的值。
         * @throws IOException
         */
        public static void insertAndOutFile(String templateFilePath,String outFilePath,Map<String,String> map) throws IOException {
            //准备工作,生成docx对象
            String templatePath=templateFilePath;
            InputStream is=new FileInputStream(templatePath);
            XWPFDocument docx=new XWPFDocument(is);
            //获取表格
            List<XWPFTable> tables=docx.getTables();
            //定位到第一个表格
            XWPFTable table=tables.get(0);
            //遍历该表格所有的行
            for(int i=0;i<table.getRows().size();i++) {
                XWPFTableRow row=table.getRow(i);
                //遍历该行所有的列
                for(int j=0;j<row.getTableCells().size();j++) {
                    XWPFTableCell cell=row.getTableCells().get(j);
                    //获取该格子里所有的段
                    List<XWPFParagraph> paragraphs=cell.getParagraphs();
                    for(XWPFParagraph p:paragraphs) {
                        //遍历该格子里的段
                        List<XWPFRun> runs=p.getRuns();
                        for(XWPFRun run:runs) {
                            //遍历该段里的所有文本
                            String str=run.toString();
                            System.out.println(str);
                            //如果该段文本包含map中的key,则替换为map中的value值。
                            Set<String> keySet = map.keySet();
                            for(String key:keySet){
                                if(str.trim().equals(key)){
                                    System.out.println("key"+map.get(key));
                                    //替换该文本0位置的数据。
                                    run.setText(map.get(key),0);
    
                                }
                            }
                        }
                    }
                }
            }
            //输出
            OutputStream os=new FileOutputStream(outFilePath);
            docx.write(os);
            is.close();
            os.close();
    
        }

     代码解释:

    总的来说就是先获取表格对象XWPFTable,再获取表格对象里的行对象XWPFTableRow,根据行对象获取到单元格对象XWPFTableCel,根据单元格对象获取单元格里的段落对象XWPFParagraph,根据段落对象获取里面的行对象XWPFRun,由于我们在在占位文本中添加了书签,所以一个占位文本就会对应一个行对象XWPFRun,我通过一个Map把占位文本作为key,value存储要替换成的值。通过遍历,替换每一个行对象XWPFRun,最终完成word指定位置插入数据的操作。

    测试:

    public static void main(String[] args) throws IOException {
            Map<String,String> map = new HashMap<>();
            map.put("wirtNum","4500");
            map.put("bank","中国银行");
            map.put("clue","157********,157********");
            map.put("day","15");
            map.put("month","9");
            map.put("year","2021");
            map.put("clueType","手机号");
            map.put("birth","2021-08-30");
            map.put("name","张三");
            map.put("sex","男");
            insertAndOutFile("D:/template.docx","D:/out.docx",map);
        }

    效果:

     

    更多相关内容
  • 纯css3制作Word文本编辑器效果 纯css3制作Word文本编辑器效果
  • Word软件在使用过程中会遇到各种效果和情况,对于word的文本效果设置有很多种,而word文本效果的设置是位于【字体】选项框的左下角。今天我们带给大家的是:word文本效果渐变填充颜色在哪里是?怎么设置?1、新建...

    Word软件在使用过程中会遇到各种效果和情况,对于word的文本效果设置有很多种,而word文本效果的设置是位于【字体】选项框的左下角。今天我们带给大家的是:word文本效果渐变填充颜色在哪里是?怎么设置?

    1、新建文档,然后,输入文字,比如“经验”。

    f8f99f0e7707d5b830002bd26cedfa82.png

    2、选中“经验”,然后,再点“开始”选项卡的“字体”组右下方的斜箭头;

    3ae94b4400f8cb5385b8781d893e8eed.png

    3、弹出字体对话框;在框的底部这里,点击“文本效果”

    452f7e0dfb2b5e63d58b785af6545da7.png

    4、弹出“设置文本效果格式”对话框;点“文本填充”,在弹出的相关选项中,再点选“渐变填充”;

    939c06fc501585fdaf04412cf159c7ec.png

    76955b6a27d4bbc1f1fefaca3f473c36.png

    5、点“渐变填充”后,下方弹出设置渐变填充的相关选项;在“类型”这里设置为线性;在“渐变光圈”这里设置渐变填充颜色紫色。

    d00af39c85e8679f9b6efddbcb71ca81.png

    6、鼠标点左边的停止点,设置颜色为白色。鼠标点下右边第一个停止点,如下面第一张图箭头所示。然后,再在填充颜色的按钮上点下,在弹出的颜色面板中选择紫色。

    f6ca16f1c63944ad5deec5fb345049aa.png

    680a8eb3be5eca9ae6c52b256343bb2b.png

    7、然后,点住右边第二个、第三个停止点,往右边第一个停止点移,并重合在一起。紫色渐变填充设置好了。最后记得点击确定。

    48f97b85e517f7c1684477d811e247c8.png

    08c9e56ee508eeaa18075233f10d300a.png

    8、返回到字体对话框,再点确定。“经验”两字即填充上渐变的紫色效果。

    066c37e9051e27e801afcbafbbcbf5ff.png

    793754022eb94c797a31546cbdbce16d.png

    上边小编给大家讲的是word文本效果渐变填充颜色设置在哪里?怎么设置?的方法步骤,为了方便大家学习,步骤小编拆分的很细致,但是方法确是很简单的,都是平时我们经常用到的操作,希望小编的课程可以带给大家帮助。

    本篇文章使用以下硬件型号:联想小新Air15;系统版本:win10;软件版本:word 2010。

    展开全文
  • Word 2013允许用户为选择的文字设置包括阴影、映像和三维格式在内的多种特效,这些文字特效可以通过“设置文本效果格式”对话框来进行设置,下面介绍在Word2013文档中通过设置文本效果格式来为文字添加特殊效果的...

    Word 2013允许用户为选择的文字设置包括阴影、映像和三维格式在内的多种特效,这些文字特效可以通过“设置文本效果格式”对话框来进行设置,下面介绍在Word2013文档中通过设置文本效果格式来为文字添加特殊效果的具体操作方法。

    1、在文档中选择需要设置格式的文字,在“字体”组中单击“字体”按钮打开“字体”对话框,单击“文字效果”按钮,如图1所示。

    cecbc4d84ddff00f5a1258c1be463c20.png

    图1 单击“文字效果”按钮

    2、打开“设置文本效果格式”对话框,首先设置文字的填充效果。选择“渐变填充”单选按钮对文字进行渐变填充,在“预设渐变”下拉列表中选择预设的渐变样式并应用到文字,如图2所示。完成设置后单击“确定”按钮关闭对话框,文字即被应用渐变效果,如图3所示。

    d077c7b1589b75a17300cddf9b2b079c.png

    图2 选择预设渐变样式

    8038bfa0e1e6072b1b32d272cc869911.png

    图3 文字应用渐变样式后的效果

    3、在“文本边框”栏中选择“实线”单选按钮为文字添加实线边框线效果,将边框线的颜色设置为黑色,如图4所示。设置完后单击“确定”按钮关闭对话框,文本的效果如图5所示。

    ff5e592d393429b54c5690bc9b8208b1.png

    图4 设置文本边框线

    4a8942b1b4d1c19a8f4db6857f605205.png

    图5 完成边框线设置后的文字效果

    4、单击“文本效果”按钮,在打开的面板的“阴影”栏中选择预设阴影效果,如图6所示。单击“确定”按钮关闭对话框后,文字获得阴影效果,如图7所示。

    ffa25447f72ddf2d4731cb0fb7476c07.png

    图6 选择阴影效果

    18ad6143670d19a58e9e6d5af00dfff8.png

    图7 完成阴影效果设置后的文字效果

    更多相关阅读

    展开全文
  • Word Artist 2021是一个令人惊叹的应用程序,允许用户通过应用3D文本效果到您的图像,轻松创建杰作。 它不需要额外的技能或知识,它是直接和无缝的。 使用各种各样的文本样式和效果为您的图像添加文本。 该工具提供...
  • 本文设计并实现了一个微博交通内容的热门话题发现及文本聚类系统,便于及时...通过对比其他几类算法的计算相 似度准确率,验证了 DC-word2vec 的效果最佳,并将其应用到 K-means 聚类中,有效提升了 话题聚类的精度。
  • Word-2010文档处理案例教程》文本转换成表格(效果).docx
  • CSS3 文本效果

    2020-12-13 19:19:14
    #textshadow { text-shadow: 5px 5px 5px #FF0000; font-size:30px;...CSS3 文本效果 CSS3 文本效果 CSS3中包含几个新的文本特征。 在本章中您将了解以下文本属性: text-shadow box-shadow text-overflow
  • 一、相关方法原理 1、tfidf 2、word2vec 3、文本聚类 代码实现

    一、相关方法原理

    1、tfidf

    tfidf算法是一种用于文本挖掘、特征词提取等领域的因子加权技术,其原理是某一词语的重要性随着该词在文件中出现的频率增加,同时随着该词在语料库中出现的频率成反比下降,即可以根据字词的在文本中出现的次数和在整个语料中出现的文档频率,来计算一个字词在整个语料中的重要程度,并过滤掉一些常见的却无关紧要本的词语,同时保留影响整个文本的重要字词。
    TF (Term Frequency,TF) 是指词频,表示词语在文本中出现的频率。设 t f i j tf_{ij} tfij为词语 t i t_i ti在文件 d j d_j dj中出现的频率,
    TF 计算公式如下:
    在这里插入图片描述
    其中, n i j n_{ij} nij为该词在文 档 d j d_j dj中出现的次数。
    IDF (Inverse Document Frequency,IDF) 是指逆向文档频率,用于衡量某一词语的普遍重要性。IDF 越大包含该词条的文档数越少,则表明该词条具有很好的类别区分能力。计算公式如下:
    在这里插入图片描述
    其中, D 是语料库中文档总数,| { j : t i ∈ d j j:t_i∈d_j j:tidj }|表示包含词语 t i t_i ti的文档数目 (即 n i , j ≠ 0 n_i,j≠0 ni,j=0 的文件数目)。如果该词语不在语料库中,会导致分母为零,因此一般情况下使用 |{ 1 + j : t i ∈ d j 1+ j:t_i∈d_j 1+j:tidj}| 。
    TF-IDF 是基于无监督学习算法的关键词提取。如果某个词语的 TF-IDF 值越大,则该词语越能体现出该文档的特点,这样就可以找出文档中的重要关键词,从而针对这些关键词做进一步的分析挖掘。TF-IDF 计算公式如下:
    在这里插入图片描述

    2、word2vec

    word2vec,即词向量,就是一个词语用一个向量来表示,由Google在2013年提出的。word2vec主要包含两个模型:跳字模型(skip-gram)和连续词袋模型(continuous bag of words,简称CBOW),以及两种高效训练的方法:负采样(negative sampling)和层序softmax(hierarchical softmax)。word2vec词向量可以较好地表达不同词之间的相似和类比关系。详细公式推导网上资料较多,由于文章篇幅受限,这里不再介绍word2vec的公式推导。

    3、文本聚类

    文本聚类就是把相似的文档聚在一起,至于聚成几个类可以根据轮廓系数等判断,也可以根据实际需求把文档聚成自己想要的类别。文本聚类依赖每个文档的句向量,而句向量由词向量构成,所以可以使用tfidf或者word2vec得出词向量,再按照一定的规则构建句向量,本文直接使用求和得出句向量,从而得出每个文档的词向量总和,进而可以做文档聚类。

    4、轮廓系数

    轮廓系数(Silhouette Coefficient),是聚类效果好坏的一种评价方式,轮廓系数计算公式为:
    在这里插入图片描述

    其中,s表示轮廓系数,a表示样本点与同一簇中所有其他点的平均距离,即样本点与同一簇中其他点的相似度;b表示样本点与下一个最近簇中所有点的平均距离,即样本点与下一个最近簇中其他点的相似度。轮廓系数s的取值范围是(-1, 1),当s越接近与1,聚类效果越好,越接近与-1,则聚类效果越差。笔者选取聚类簇数区间为[2, 10],分别计算每个簇数的轮廓系数。

    二、文本聚类案例

    本文依然使用笔者在招聘网站采集到的电商岗位数据做文本聚类分析。
    1、导入所需的包

    import pandas as pd 
    import numpy as np
    import matplotlib.pyplot as plt
    from gensim import corpora
    from gensim.models import TfidfModel, Word2Vec
    from sklearn.cluster import KMeans
    from sklearn.manifold import TSNE
    from sklearn.metrics import silhouette_score
    from warnings import filterwarnings
    filterwarnings('ignore')
    

    其中filterwarnings(‘ignore’)是忽视文件相关的警告。gensim下的的TfidfModel, Word2Vec模块可以分别实现tfidf和word2vec词向量,KMeans即kmeans聚类算法,TSNE是一种流形降维算法,可以把高维向量映射成二维或三维特征向量后进行可视化展示,silhouette_score就是计算轮廓系数。
    2、读入招聘要求分词文件并截取分词

    df = pd.read_csv('电商岗位数据(分词后).csv')
    content = df['分词']
    content
    

    在这里插入图片描述
    共136699条数据,这里可以把每条分词列表看成一个文档。
    3、构建分词字典与语料库

    cut_word_list = np.array([cont.split() for cont in content.tolist()])
    dictionary = corpora.Dictionary(cut_word_list)
    corpus = [dictionary.doc2bow(text) for text in cut_word_list]
    

    cut_word_list即分词后的文档数组,dictionary为gensim能识别的字典,corpus是语料库。
    4、word2vec训练词向量

    # word2vec训练词向量
    def word2vec_model():
        model = Word2Vec(cut_word_list, vector_size=200, window=5, min_count=1, seed=1, workers=4)
        model.save('word2vec.model')
    word2vec_model()
    # 加载模型得出词向量
    model = Word2Vec.load('word2vec.model')
    model.train(cut_word_list, total_examples=model.corpus_count, epochs=10)
    wv = model.wv  # 所有分词对应词向量
    

    本文把词向量的维度设置为200维,保留的最少分词出现次数为1,即使用所有分词训练文本向量。
    5、word2vec词向量

    # word2vec构建文档向量
    def get_word2vec_vec(content=None):
        text_vec = np.zeros((content.shape[0], 200))
        for ind, text in enumerate(content):
            wlen = len(text)
            vec = np.zeros((1, 200))
            for w in text:
                try:
                    vec += wv[w]
                except:
                    pass
            text_vec[ind] = vec/wlen
        word2vec = pd.DataFrame(data=text_vec)
        word2vec.to_csv('word2vec.csv', index=False)
        return text_vec
        
    word2vec = get_word2vec_vec(cut_word_list)
    

    6、word2vec结合tfidf权重构建文档向量

    word_id = dictionary.token2id
    tfidf_model = TfidfModel(corpus, normalize=False)
    corpus_tfidf = [tfidf_model[doc] for doc in corpus]
    corpus_id_tfidf = list(map(dict, corpus_tfidf))
    
    def get_tfidf_vec(content=None):
        text_vec = np.zeros((content.shape[0], 200))
        for ind, text in enumerate(content):
            wlen = len(text)
            vec = np.zeros((1, 200))
            for w in text:
                try:
                    if word_id.get(w, False):
                        vec += (wv[w] * corpus_id_tfidf[ind][word_id[w]])
                    else:
                        vec += wv[w]
                except:
                    pass
            text_vec[ind] = vec/wlen
        tfidf = pd.DataFrame(data=text_vec)
        tfidf.to_csv('tfidf_vec.csv', index=False)
        return text_vec
        
    tfidf = get_tfidf_vec(cut_word_list)
    

    7、轮廓系数确定最优簇数

    # 轮廓系数确定簇数 -> 最佳值为1,最差值为-1。接近0的值表示重叠的群集
    def silhouette_score_show(data_vec=None, name=None):
        k = range(2, 10)
        score_list = []
        for i in k:
            model = KMeans(n_clusters=i).fit(data_vec)
            y_pre = model.labels_
            score = round(silhouette_score(data_vec, y_pre), 2)
            score_list.append(score)
        plt.figure(figsize=(12, 8))
        plt.plot(list(k), score_list)
        plt.xticks(fontsize=12)
        plt.yticks(fontsize=12)
        plt.xlabel('簇数', fontsize=15)
        plt.ylabel('系数', fontsize=15)
        plt.savefig(f'{name}轮廓系数.jpg')
        plt.show()
    

    (1)word2vec向量下的轮廓系数

    silhouette_score_show(word2vec, 'word2vec')
    

    在这里插入图片描述
    (2)word2vec结合tfidf向量下的轮廓系数

    silhouette_score_show(tfidf, 'tfidf')
    

    在这里插入图片描述
    通过对比两张图可知,word2vec结合tfidf向量下的聚成2类轮廓系数最高,几乎接近1了,但这就说明聚成2类就是最好的吗?我们先聚成2类观察一下聚类情况。

    kmeans = KMeans(n_clusters=2).fit(tfidf)
    y_pre = kmeans.labels_
    labels = pd.DataFrame(y_pre)
    labels.value_counts()
    

    在这里插入图片描述
    可以发现,第二类居然只有2个文档,聚类效果明显不太好。我们继续使用TSNE流行降维方法把文档向量降维并绘图,直观查看聚类效果。

    data = pd.DataFrame(tfidf)
    data_label = pd.concat([data, labels], axis=1) 
    data_label.columns = [f'vec{i}' for i in range(1, tfidf.shape[1]+1)]  + ['label']
    data_label.head()
    

    在这里插入图片描述

    tsne = TSNE()
    tsne.fit_transform(data_label) # 进行数据降维
    tsne = pd.DataFrame(tsne.embedding_,index=data_label.index) # 转换数据格式 
    plt.figure(figsize=(10, 6))
    plt.xticks(fontsize=12)
    plt.yticks(fontsize=12)
    d = tsne[data_label['label'] == 0]
    plt.plot(d[0],d[1],'rD')
    d = tsne[data_label['label'] == 1]
    plt.plot(d[0],d[1],'go')
    plt.xticks([])
    plt.yticks([])
    plt.legend(['第一类', '第二类'], fontsize=12)
    plt.savefig('文本聚类效果图.jpg')
    plt.show()
    

    在这里插入图片描述
    从图中明显可以看出,第二类的两个文档已经包含在第一类中,并且文档向量并没有很好的区分度,基本是连在一起的。这说明源文档的描述内容非常相近。但我们通过阅读源文档发现,其实不同岗位的招聘要求是存在较大差异的,所以,关于该文档的文本聚类分析,还需要从词向量和聚类算法上进行优化。

    展开全文
  • java freemarker 导出富文本Word文档

    千次阅读 2021-04-14 10:33:21
    最近一直在加班 导致看到代码就想吐 今天抽出时间来记录一下 用freemaker导出富文本信息 之前使用freemaker导出图片等信息时 使用的是xml方式,不明白的 可以看freemaker生成Word文档(图片、超链接) 由于xml方式...
  • 关于word2vec及文本相似性计算

    万次阅读 2018-08-28 17:56:03
    最近2个月主要涉及到对文本相似度计算方法的实验,用了 词频词袋模型、tfidf词袋表示、word2vec表示,利用一些标注好的数据对结果进行了检验,最终还是发现 tfidf相似度计算效果较好,但计算效率慢一些。 也看到...
  • Word中鲜为人知的渐变效果设置

    千次阅读 2021-07-31 07:18:45
    Word中鲜为人知的渐变效果设置方法带给大家,通常我们通道最多的就是在ps中制作图片的时候使用渐变的方法,相信很多人并不知道Microsoft Word软件中其实也具有为图形设置渐变颜色的功能吧,小编这里以Word2010软件为...
  • 因为功能需要富文本直接编写富文本生成word文档,需要实现以下功能,以下功能已被封装,目前百度到的生成的word文件打开会乱码报文件内容错误,这个解决了乱码的问题 /** * html内容转word文档 * $content 富文本...
  • 文本分类特征提取之Word2Vec

    千次阅读 2018-10-08 16:54:24
    文本分类就是根据文本内容将其分到合适的类别,它是自然语言处理的一个十分重要的问题。文本分类主要应用于信息检索,机器翻译,自动文摘,信息过滤,邮件分类等任务。   文本分类技术发展历史 1960-1970:...
  • 样式,大家应该不陌生,在Word中是一个非常强大的功能,运用得好,可以节省很多...Word中根据样式的不同应用类型,样式还可分为文本样式和表格样式。文本样式主要应用于文本;而表格样式则专用于表格。那么,文本样...
  • springboot实现导出含有富文本的数据到word

    千次阅读 热门讨论 2020-01-14 09:42:18
    一开始客户要求做word导出时,只是将系统的一个表单内容导出到word中,没有文本的数据。这种情况导出word就很简单,制作好word模板后,直接使用easypoi的api就行。后来表单的一个文本框改为了富文本,同时也要求...
  • 【工作流:如何将Word尾注转换为普通文本格式】在敲字码论文的过程中,Word的尾注工具对于整理参考文献能够提供很大的便利,但是在交稿前往往需要将尾注转换为普通文本格式。这对于同学来说,往往意味着繁琐的人力...
  • 文本框vue-word-editor的使用详解

    千次阅读 2021-12-17 21:37:53
    在做后台管理项目的时候使用到富文本框,总结了一下vue框架里富文本框的使用步骤,详解 一、vue-word-editor的安装与引入 1.安装命令(我习惯用npm安装) npm install vue-word-editor --save 2.在要使用富文本的...
  • Vue 自定义富文本编辑器 tinymce 支持导入 word 模板

    万次阅读 热门讨论 2018-09-13 10:03:10
    自定义富文本编辑器分为前端项目和后端项目两个部分,首先先说一下前端项目 前端 前端项目地址: https://github.com/haoxiaoyong1014/editor-ui 编辑器名称: tinymce 前端采用的 vue.js 至于Vue 中怎么集成 ...
  • Word文字如何实现下沉效果

    千次阅读 2021-11-08 13:41:52
    Word在编辑排版时,有时需要设置文字下沉,那么怎么设置文字下沉呢?以常用的speedoffice为例 首先,用鼠标选择需要进行下沉的文字,点击“插入”菜单栏里面的“下沉”项目,如图所示: 接着,在下沉菜单栏里面找到...
  • 前言:本文记录作者在vue项目中使用到wangEditor富文本编辑器复制粘贴功能所遇到的bug,故此把自己所遇到的坑及问题详细的记录下来。如果觉得作者写的不错,希望得到您的点赞/收藏/支持,如果有不同意见,欢迎下方...
  • 笔者寄语:2013年末,Google发布的 word2vec工具引起了一帮人的热捧,大家几乎都认为它是深度学习在自然语言领域的一项了不起的应用,各种欢呼“深度学习在自然语言领域开始发力 了”。 基于word2vec现在还出现了doc...
  • 艺术字的形状效果跟文字效果一样,除可选用 Word 2016 提供的内置样式外,还可以自定义每一种效果的各项参数,这种方法适用于现有样式没有符合的样式时,只要将某些参数稍加调整,又是一种新的样式。自定义艺术字的...
  • Word 2016 用宏实现「只保留文本」粘贴

    千次阅读 热门讨论 2018-10-21 19:34:43
    本文旨在用 Word 2016 (其他 Microsoft Office 部分产品中也附带)中自带的宏功能实现「只保留文本」粘贴的目的。 准备工作:显示「开发工具」选项卡 ① 单击「文件」选项卡; ②单击「选项」; ③单击「自定义...
  • 文本+ EndNote + Word 处理参考文献

    千次阅读 2020-12-23 14:36:20
    比如,Twitter 上Ulysses官方转发了一条Tweet,用户@CarlosJG 的指出 Word 有 2.26 GB,而用 Ulysses 则很轻,只有 26.8 MB,看原图:Word 和 Ulysses 大小的差别根据我的经验,相同的文档在 Ulysses 下打开要比 ...
  • 如何批量去除word文本中的数字内容

    千次阅读 2021-05-23 12:00:44
    批量去除word文本中的数字 平时,咱会遇到一些word编辑中的令人头疼的小问题,比如如何快速删除一段文字中的全部数字,篇幅少的话可以手动删除没有问题,但是如果文字量较大,手动删除就很花时间了,比如下面有关于...
  • 下载并打开工程: 文档的上传。 运行: ...传输进度条的效果也不错。 文档图片被放置在哪了: 存放地址:D:\apache-tomcat-6.0.29\webapps\WordPaster2UEditor1x\upload\2019\04\16...
  • Ueditor富文本实现导入word功能

    千次阅读 2020-02-25 11:29:51
    提示:只是提供解决思路 最近因为项目需要,需要实现web端的word模板在线编辑功能,所以就了解了下富文本框的插件,最后选定百度的Ueditor,具体该插件有什么功能,可以到官网查看,DEMO地址:...
  • Java Poi-tl操作Word文档,插入文本和图片

    千次阅读 热门讨论 2020-10-04 14:11:14
    前言:poi-tl(poi template language)是Word模板引擎,基于Microsoft Word模板和数据生成新的文档。详细使用见:官方文档 1、pom.xml引入依赖 <dependency> <groupId>com.deepoove</groupId> ...
  • 一、前言 本人毕业实习和毕业设计的题目为“福建省高校专家专业领域分类算法的设计...经过一番调研,我决定用Word2Vec作为词向量的预训练模型,TextCNN做文本分类的模型。 二、理论基础 1. Word2Vec模型 在了解Wor

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 105,733
精华内容 42,293
关键字:

word没有文本效果