最近做的乙個程式中，需要把從51job匯出來的簡歷進行解析，51job支援doc和mht格式。開始時以為該doc檔案是word檔案，於是採用apache poi中提供的wordextractor來進行，從word檔案中提取文字內容。
import org.apache.poi.hwpf.extractor.wordextractor;
wordextractor wordextractor = new wordextractor(new fileinputstream(tempfile));
content = wordextractor.gettext();
invalid header signature; read 0x7265762d656d696d, expected 0xe11ab1a1e011cfd0mime-version: 1.0
from: 《由 網才@51job 生成》
date: 13 apr 2012 17:20:13 +0800
subject: resume
content-type: multipart/related; boundary=--boundary_578_1d3227f5-c157-41cf-b651-c43d296bd49f
----boundary_578_1d3227f5-c157-41cf-b651-c43d296bd49f
content-type: text/html; charset=gb2312
content-transfer-encoding: quoted-printable
=d3=a6=c6=b8=d6=b0=ce=bb=a3=ba這表明51job生成的doc檔案本質上是個mht檔案。因此，也得到乙個啟示：下次如果專案中需要匯出word格式檔案，也可用mht格式來冒充，反正word也可以正常開啟。
現在的問題變成了，怎麼從mht中提取html內容了。在iteye上找到了，還挺好用，
使用方法如下：
string htmlfile = tempfile.substring(0, tempfile.length() - 4) + ".html";
log.debug("html=" + htmlfile);
html2mhtcompiler.mht2html(tempfile, htmlfile);
mimemultipart mp = (mimemultipart) content;
mimebodypart bp1 = (mimebodypart) mp.getbodypart(0);
string strencodng = getencoding(bp1);
string strtext = gethtmltext(bp1, strencodng);
if (strtext == null)
return;
1. strencodng 可能為空；
2. strencodng 不為空時，字串可能帶有雙引號；
這兩種情況都會導致後面的 gethtmltext 呼叫丟擲異常。
可修改如下：
string strencodng = getencoding(bp1);
if (strencodng == null) else
string strtext = gethtmltext(bp1, strencodng);
Word文件中的格式標記大全
在word中有很多的格式設定，很多格式設定都會有一些標記，這些標記是隱藏的，在列印文件時是不會列印出來的，但是它們卻起著結構化文件的大作用。如果你在編輯文件，不妨點選格式標記開關，看看都有哪些格式標記，如下圖。在常用工具欄上有個按鈕，用來開啟和關閉顯示文件中的隱藏格式標記，你不妨點選它，開啟顯示，看...
gd格式的檔案轉換為word檔案的方法
gd格式轉換word的方法 首先雙擊gd檔案 然後在軟體視窗中，單擊檔案選單，選擇列印選項 接著將檔案另存為對話方塊中，並設定檔名和儲存位置，型別為xps檔案 最後選擇要轉換的xps格式檔案，並將檔案型別設定為docx即可。雙擊gd檔案，用閱讀器開啟預覽。軟體視窗中，單擊檔案選單，選擇列印選項。列印...
word文件中的煩人的格式問題。。
最近寫 的時候，用的官方給的word模板，可是有些模板對於格式要求太為嚴格，對齊，上下分開什麼的，很多需要注意的。要想讓 美觀一點，還是需要多嘗試的，畢竟word的功能非常強的 其實excel也挺強的。但是需要我們乙個個去發掘並加以利用。我這裡列舉幾個少為人知，但關鍵時刻又非常重要的功能，以後再不斷...