从伪word格式的doc资料中提取文本内容

从伪word格式的doc文件中提取文本内容
从mht文件中提取html内容

最近做的一个程序中，需要把从51job导出来的简历进行解析，51job支持doc和mht格式。开始时以为该doc文件是Word文件，于是采用Apache POI中提供的WordExtractor来进行，从word文件中提取文本内容。

?

?
?
这样之后，htmlFile指定的文件中保存的就是提取出来html内容。在实际的测试中，发现需要对代码做一下小的修改，在类Html2MHTCompiler第441行附近。
?
                String strEncodng = getEncoding(bp1);                if (strEncodng == null) {                    strEncodng = "GBK"; // 2012.04.23                } else {                    strEncodng = strEncodng.replace(""", "");                }                String strText = getHtmlText(bp1, strEncodng);
?
?
至少在我测试的doc/mht文件中能正确处理。
?
?