从伪word格式的doc文件中提取文本内容

coding1688

浏览: 236791 次
来自: 上海

最近访客更多访客>>

chaohu43

livion

jasonrush2012

xuwenkeke

博主相关

博客

微博

相册

留言

关于我

文章分类

社区版块

存档分类

博客分类：

Java思考

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。

import org.apache.poi.hwpf.extractor.WordExtractor;

            WordExtractor wordExtractor = new WordExtractor(new FileInputStream(tempFile));
            content = wordExtractor.getText();

测试时，发现总是报异常

Invalid header signature; read 0x7265762D656D696D, expected 0xE11AB1A1E011CFD0

用Notepad++打开看了一下，发现是个文本文件

mime-version: 1.0
From: <由 网才@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

<html><body><table width=3D'650' height=3D'62' border=3D'0' align=3D'center'=
 cellpadding=3D'0' cellspacing=3D'0'><tr><td width=3D'62%' height=3D'60'=
 align=3D'left' valign=3D'bottom' class=3D'top'>=D3=A6=C6=B8=D6=B0=CE=BB=A3=BA<span=

这表明51job生成的doc文件本质上是个mht文件。因此，也得到一个启示：下次如果项目中需要导出word格式文件，也可用mht格式来冒充，反正word也可以正常打开。

mht 百度百科写道

MHTML文件又称为聚合HTML文档、Web档案或单一文件网页。单个文件网页可将网站的所有元素（包括文本和图形）都保存到单个文件中。这种封装使您可将整个网站发布为单个内嵌 MIME （MIME：通过 Internet 连接传递多媒体资源的一列标准。MIME 类型通知程序对象所包含的内容（如图形、声音或视频)的聚合HTML文档(MHTML)文件，或将整个网站作为一个电子邮件或附件发送。Internet Explorer 4.0及更高版本支持此格式。

现在的问题变成了，怎么从mht中提取html内容了。在iteye上找到了，还挺好用，

thinkgem 的《Java实现 HTML to MHT》，地址：http://thinkgem.iteye.com/blog/724208

使用方法如下：

            String htmlFile = tempFile.substring(0, tempFile.length() - 4) + ".html";
            log.debug("html=" + htmlFile);
            Html2MHTCompiler.mht2html(tempFile, htmlFile);

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。

                MimeMultipart mp = (MimeMultipart) content;  
                MimeBodyPart bp1 = (MimeBodyPart) mp.getBodyPart(0);  
                String strEncodng = getEncoding(bp1);  
                String strText = getHtmlText(bp1, strEncodng);  
                if (strText == null)  
                    return;

因为我碰到两种情况：

1. strEncodng 可能为空；

2. strEncodng 不为空时，字符串可能带有双引号；

这两种情况都会导致后面的 getHtmlText 调用抛出异常。

可修改如下：

                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。

2
顶

4
踩

分享到：

写email地址的正则表达式不容易 | 被忽略的双引号

2012-04-27 14:14
浏览 2559
评论(0)
分类:编程语言
查看更多

发表评论

您还没有登录,请您登录后再发表评论

最近访客更多访客>>

博主相关

文章分类

社区版块

存档分类

最新评论