【发布时间】：2015-05-21 11:05:11
【问题描述】：
我正在使用 apache tika 命令行工具从 doc 和 docx 文件中提取文本。我可以获取整个文本，但我无法以页面的形式获取它们，以便我可以单独存储每个页面。有没有办法做到这一点？
【问题讨论】：
-
您知道 Microsoft Word 文件格式是基于运行而不是基于页面的吗？
标签： apache-tika
【发布时间】：2015-05-21 11:05:11
【问题描述】：
Tika 使用 Apache POI 处理 Word 文件（旧的二进制文件和新的基于 XML 的文件）。
由于 POI（基本上）无法读取这些页码，而且 Tika 也不是文档渲染器，因此答案非常简单：不，这是不可能的。
要更深入地了解为什么您的要求（从技术角度）没有多大意义，请参阅我的回答 here。
【讨论】：