`
liuxinglanyue
  • 浏览: 565424 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

lucene开发中有关读取pdf,html,word,rtf,txt,powerpoint,excel等文档的操作(转)

阅读更多

关于这七种文档,我相信应该是最常用的文档了

在以下的介绍中会提到POI,现介绍下POI吧

poi处理WORD,EXCEL比较好:http://jakarta.apache.org/poi/

poi处理至少需要如下几个JAR包



 
PDFbox处理PDF比较好:
http://pdfbox.apache.org/download.html

 

下面一一介绍了

第一和第二是只支持03版的word和excel文档

   第一、首先来看WORD文档:
我这里用的是poi,相关jar包自己去下载,然后加到工程中(以下所要用的jar包也是,不再重复说)

 

public static String readWord(String path) throws Exception {  
String bodyText = null;  
try {  
FileInputStream is = new FileInputStream(path);  
bodyText = new WordExtractor(is).getText();  
} catch (Exception e) {  
System.out.println("=======");  
}  
return bodyText;  
}

 

  第二、Exel的文档

 

public static String ReadExcel(String path) throws IOException {  
InputStream inputStream = null;  
String content = null;  
try {  
inputStream = new FileInputStream(path);  
HSSFWorkbook wb = new HSSFWorkbook(inputStream);  
ExcelExtractor extractor = new ExcelExtractor(wb);  
extractor.setFormulasNotResults(true);  
extractor.setIncludeSheetNames(false);  
content = extractor.getText();  
} catch (FileNotFoundException e) {  
e.printStackTrace();  
}  
return content;  
}

 针对07版的word和excel的操作

 

 

   package com.test;

 

 

   
/**   
 * 需要的jar包:   
 * poi-3.0.2-FINAL-20080204.jar   
 * poi-contrib-3.0.2-FINAL-20080204.jar   
 * poi-scratchpad-3.0.2-FINAL-20080204.jar   
 * poi-3.5-beta6-20090622.jar   
 * geronimo-stax-api_1.0_spec-1.0.jar   
 * ooxml-schemas-1.0.jar   
 * openxml4j-bin-beta.jar   
 * poi-ooxml-3.5-beta6-20090622.jar   
 * xmlbeans-2.3.0.jar   
 * dom4j-1.6.1.jar   
 */   
   
import java.io.FileInputStream;    
import java.io.IOException;    
import java.io.InputStream;    
   
import org.apache.poi.POIXMLDocument;    
import org.apache.poi.POIXMLTextExtractor;    
import org.apache.poi.hssf.usermodel.HSSFCell;    
import org.apache.poi.hssf.usermodel.HSSFRow;    
import org.apache.poi.hssf.usermodel.HSSFSheet;    
import org.apache.poi.hssf.usermodel.HSSFWorkbook;    
import org.apache.poi.hwpf.extractor.WordExtractor;    
import org.apache.poi.openxml4j.exceptions.OpenXML4JException;    
import org.apache.poi.openxml4j.opc.OPCPackage;    
import org.apache.poi.xssf.usermodel.XSSFCell;    
import org.apache.poi.xssf.usermodel.XSSFRow;    
import org.apache.poi.xssf.usermodel.XSSFSheet;    
import org.apache.poi.xssf.usermodel.XSSFWorkbook;    
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;    
import org.apache.xmlbeans.XmlException;    
   
public class WordAndExcelExtractor {    
 public static void main(String[] args){    
  try{    
   String wordFile = "D:/松山血战.docx";    
   String wordText2007 = WordAndExcelExtractor.extractTextFromDOC2007(wordFile);    
   System.out.println("wordText2007======="+wordText2007);    
       
   InputStream is = new FileInputStream("D:/XXX研发中心技术岗位职位需求.xls");       
   String excelText = WordAndExcelExtractor.extractTextFromXLS(is);       
   System.out.println("text2003==========" + excelText);    
       
   String excelFile = "D:/Hello2007.xlsx";       
   String excelText2007 = WordAndExcelExtractor.extractTextFromXLS2007(excelFile);    
   System.out.println("excelText2007==========" + excelText2007);    
   
       
  }catch(Exception e ){    
   e.printStackTrace();    
  }    
 }    
     
 /**   
  * @Method: extractTextFromDOCX   
  * @Description: 从word 2003文档中提取纯文本   
  *   
  * @param    
  * @return String   
  * @throws   
  */   
    public static String extractTextFromDOC(InputStream is) throws IOException {    
        WordExtractor ex = new WordExtractor(is); //is是WORD文件的InputStream     
   
        return ex.getText();    
    }    
     
 /**   
  * @Method: extractTextFromDOCX   
  * @Description: 从word 2007文档中提取纯文本   
  *   
  * @param    
  * @return String   
  * @throws   
  */   
    public static String extractTextFromDOC2007(String fileName) throws IOException, OpenXML4JException, XmlException {    
     OPCPackage opcPackage = POIXMLDocument.openPackage(fileName);    
     POIXMLTextExtractor ex = new XWPFWordExtractor(opcPackage);       
   
        return ex.getText();    
    }    
     
 /**   
  * @Method: extractTextFromXLS   
  * @Description: 从excel 2003文档中提取纯文本   
  *   
  * @param    
  * @return String   
  * @throws   
  */   
    @SuppressWarnings("deprecation")    
 private static String extractTextFromXLS(InputStream is)    
        throws IOException {    
        StringBuffer content  = new StringBuffer();    
        HSSFWorkbook workbook = new HSSFWorkbook(is); //创建对Excel工作簿文件的引用     
   
        for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {    
            if (null != workbook.getSheetAt(numSheets)) {    
                HSSFSheet aSheet = workbook.getSheetAt(numSheets); //获得一个sheet    
   
                for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) {    
                    if (null != aSheet.getRow(rowNumOfSheet)) {    
                        HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一行    
   
                        for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {    
                            if (null != aRow.getCell(cellNumOfRow)) {    
                                HSSFCell aCell = aRow.getCell(cellNumOfRow); //获得列值    
                                                                    
                                if(aCell.getCellType() == HSSFCell.CELL_TYPE_NUMERIC){    
                                 content.append(aCell.getNumericCellValue());    
                                }else if(aCell.getCellType() == HSSFCell.CELL_TYPE_BOOLEAN){    
                                 content.append(aCell.getBooleanCellValue());    
                                }else {    
                                 content.append(aCell.getStringCellValue());    
                                }    
                            }    
                        }    
                    }    
                }    
            }    
        }    
   
        return content.toString();    
    }    
        
    /**   
     * @Method: extractTextFromXLS2007   
     * @Description: 从excel 2007文档中提取纯文本   
     *   
     * @param    
     * @return String   
     * @throws   
     */   
    private static String extractTextFromXLS2007(String fileName) throws Exception{    
     StringBuffer content = new StringBuffer();    
         
     //构造 XSSFWorkbook 对象,strPath 传入文件路径        
  XSSFWorkbook xwb = new XSSFWorkbook(fileName);    
      
  //循环工作表Sheet    
  for(int numSheet = 0; numSheet < xwb.getNumberOfSheets(); numSheet++){    
   XSSFSheet xSheet = xwb.getSheetAt(numSheet);     
   if(xSheet == null){    
    continue;    
   }    
       
   //循环行Row    
   for(int rowNum = 0; rowNum <= xSheet.getLastRowNum(); rowNum++){    
    XSSFRow xRow = xSheet.getRow(rowNum);    
    if(xRow == null){    
     continue;    
    }    
        
    //循环列Cell    
    for(int cellNum = 0; cellNum <= xRow.getLastCellNum(); cellNum++){    
     XSSFCell xCell = xRow.getCell(cellNum);    
     if(xCell == null){    
      continue;    
     }    
         
     if(xCell.getCellType() == XSSFCell.CELL_TYPE_BOOLEAN){    
      content.append(xCell.getBooleanCellValue());    
     }else if(xCell.getCellType() == XSSFCell.CELL_TYPE_NUMERIC){    
      content.append(xCell.getNumericCellValue());    
     }else{    
      content.append(xCell.getStringCellValue());    
     }    
    }    
   }    
  }    
      
  return content.toString();    
    }    
        
}    

 

  第三、PowerPoint的文档

 

public static String readPowerPoint(String path) {  
StringBuffer content = new StringBuffer("");  
try {  
SlideShow ss = new SlideShow(new HSLFSlideShow(new FileInputStream(  
path)));// is  
// 为文件的InputStream,建立SlideShow  
Slide[] slides = ss.getSlides();// 获得每一张幻灯片  
for (int i = 0; i < slides.length; i++) {  
TextRun[] t = slides[i].getTextRuns();// 为了取得幻灯片的文字内容,建立TextRun  
for (int j = 0; j < t.length; j++) {  
content.append(t[j].getText());// 这里会将文字内容加到content中去  
}  
}  
} catch (Exception ex) {  
System.out.println(ex.toString());  
}  
return content.toString();  
}

 

 第四、PDF的文档

public static String readPdf(String path) throws Exception {  
StringBuffer content = new StringBuffer("");  
FileInputStream fis = new FileInputStream(path);  
PDFParser p = new PDFParser(fis);  
p.parse();  
PDFTextStripper ts = new PDFTextStripper();  
content.append(ts.getText(p.getPDDocument()));  
fis.close();  
return content.toString().trim();  
}
  第五、HTML的文档,要说明的是,HTML文档我们要获取其TITLE,BODY中的内容就要先获取源文件,然后再对源文件进行标签上的过滤,很麻烦

 

 

 第六、TXT的文档,给TXT文本建立索引时要注意
   本项目实现了组合查询的功能
  
//这一步如果不设置为GBK,TXT内容将全部乱码 BufferedReader reader=new BufferedReader(new InputStreamReader(is,"GBK")); 具体代码如下 

public static String readTxt(String path) throws IOException {  
StringBuffer sb = new StringBuffer("");  
InputStream is = new FileInputStream(path);  
// 必须设置成GBK,否则将出现乱码  
BufferedReader reader = new BufferedReader(new InputStreamReader(is,  
"GBK"));  
try {  
String line = "";  
while ((line = reader.readLine()) != null) {  
sb.append(line + "\r");  
}  
} catch (FileNotFoundException e) {  
e.printStackTrace();  
}  
return sb.toString().trim();  
}
 

第七、RTF文档,rtf的转换则在javax中就有

public static String readRtf(String path) {  
String result = null;  
File file = new File(path);  
try {  
DefaultStyledDocument styledDoc = new DefaultStyledDocument();  
InputStream is = new FileInputStream(file);  
new RTFEditorKit().read(is, styledDoc, 0);  
result = new String(styledDoc.getText(0, styledDoc.getLength())  
.getBytes("iso8859-1"), "gbk");  
// 提取文本,读取中文需要使用gbk编码,否则会出现乱码  
} catch (IOException e) {  
e.printStackTrace();  
} catch (BadLocationException e) {  
e.printStackTrace();  
}  
return result;  
}
 public static String readHtml(String urlString) {
StringBuffer content = new StringBuffer("");  
File file = new File(urlString);  
FileInputStream fis = null;  
try {  
fis = new FileInputStream(file);  
BufferedReader reader = new BufferedReader(new InputStreamReader(  
fis, "utf-8"));  
String line = null;  
while ((line = reader.readLine()) != null) {  
content.append(line + "\n");  
}  
reader.close();  
} catch (Exception e) {  
e.printStackTrace();  
}  
String contentString = content.toString();  
String htmlStr = contentString; // 含html标签的字符串  
String textStr = "";  
java.util.regex.Pattern p_script;  
java.util.regex.Matcher m_script;  
java.util.regex.Pattern p_style;  
java.util.regex.Matcher m_style;  
java.util.regex.Pattern p_html;  
java.util.regex.Matcher m_html;  
try {  
String regEx_script = "<[\\s]*?script[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?script[\\  
String regEx_style = "<[\\s]*?style[^>]*?>[\\s\\S]*?<[\\s]*?\\/[\\s]*?style[\\s]*  
String regEx_html = "<[^>]+>"; // 定义HTML标签的正则表达式  
p_script = Pattern.compile(regEx_script, Pattern.CASE_INSENSITIVE);  
m_script = p_script.matcher(htmlStr);  
htmlStr = m_script.replaceAll(""); // 过滤script标签  
p_style = Pattern.compile(regEx_style, Pattern.CASE_INSENSITIVE);  
m_style = p_style.matcher(htmlStr);  
htmlStr = m_style.replaceAll(""); // 过滤style标签  
p_html = Pattern.compile(regEx_html, Pattern.CASE_INSENSITIVE);  
m_html = p_html.matcher(htmlStr);  
htmlStr = m_html.replaceAll(""); // 过滤html标签  
textStr = htmlStr;  
} catch (Exception e) {  
System.err.println("Html2Text: " + e.getMessage());  
}  
return textStr;// 返回文本字符串  
}
 

 

 

 

分享到:
评论

相关推荐

    JAVA读取WORD_EXCEL_POWERPOINT_PDF文件的方法(poi)

    JAVA 读取 WORD_EXCEL_POWERPOINT_PDF 文件的方法(poi) JAVA 读取 WORD_EXCEL_POWERPOINT_PDF 文件的方法是使用 Apache POI 库来实现的。POI 库是一个开放源代码的 Java 库,提供了对 Microsoft Office 文件格式...

    lucene读取word excel pdf正则表达式查询

    《使用Lucene进行Word、Excel和PDF文档的正则表达式查询》 在现代信息处理中,搜索引擎扮演了至关重要的角色。Apache Lucene是一个高性能、全文检索库,它提供了强大的文本搜索功能。在这个主题中,我们将深入探讨...

    使用Lucene对doc、docx、pdf、txt文档进行全文检索功能的实现 - 干勾鱼的CSDN博客 - CSDN博客1

    在Java开发中,Lucene被广泛用于实现文件的全文检索功能,包括对doc、docx、pdf、txt等常见格式文档的文本内容检索。在本文中,我们将探讨如何使用Lucene对这些文件类型进行全文检索的实现。 首先,为了实现全文...

    lucene 3.6 检索文件 pdf word ppt excel txt html xml

    在版本3.6中,它提供了强大的文件检索功能,支持对多种文件类型的搜索,包括PDF、Word、PPT、Excel、TXT、HTML和XML等。这个版本的Lucene已经过封装,使得开发者能够更方便地集成到自己的项目中,实现快速的全文检索...

    lucene word ppt excel pdf全文检索

    本篇将深入探讨如何利用Lucene实现对Word、PPT、Excel、PDF和TXT等常见文件类型的全文检索。 首先,我们要理解什么是全文检索。全文检索是指在文档集合中,通过搜索文档中的所有词汇,找出包含特定查询词的文档。与...

    Lucenet 建word excel pdf txt office 索引

    例如,`.doc`和`.docx`文件使用Apache POI,`.pdf`文件使用PDFBox,`.txt`文件可以直接读取,`.pps`文件可能需要PowerPoint API来解析,但需要注意的是,不是所有文件格式都支持全文搜索,如图片或非文本文件。...

    JAVA读取PDF、WORD、EXCEL等文件的方法

    在Java编程中,读取PDF、Word和Excel等文件通常涉及到使用特定的库来处理不同格式的数据。以下是对这些操作的详细说明: 1. **读取PDF文件**: Java中,可以使用Apache PDFBox库来读取PDF文件。PDFBox提供了一套...

    lucene 搜索中文PDF文档

    在本篇文章中,我们将深入探讨如何使用Lucene来搜索中文PDF文档,以及在这个过程中可能遇到的关键技术和挑战。 首先,我们要了解Lucene的核心概念。Lucene通过建立倒排索引来实现快速文本搜索。倒排索引是一种数据...

    Lucene对office的word, Excel操作 - 杨鑫newlife的专栏 - CSDN博客1

    然而,Lucene本身并不直接支持对Office文档如Word或Excel的直接操作。要实现这样的功能,我们需要借助其他库,例如Apache POI或Jacob。本文将重点介绍如何使用Jacob库来处理Word文档。 Jacob是一个Java到COM桥接库...

    Lucene应用中Pdf文档文本数据提取方法研究

    在探讨“Lucene应用中Pdf文档文本数据提取方法研究”的主题下,我们深入研究了如何在基于Lucene的全文检索系统中高效处理和提取Pdf文档中的文本数据。Lucene作为一款开源的全文检索引擎,虽然提供了强大的全文检索...

    Lucene3.4开发入门.pdf

    Lucene3.4开发入门.pdf

    Lucene---全文检索(文档pdf/txt/office/html)

    它提供了强大的文本分析和索引能力,支持多种格式的文档,如 PDF、TXT、Office 文件(Word、Excel、PowerPoint)以及 HTML 等。 ### 1. Lucene 的基本概念 - **索引(Index)**: Lucene 首先对文档内容进行分析和...

    解析pdf、word2003、Excel2003、word2007、Excel2007、PowerPoint、Text jar 文件集合

    PDF(Portable Document Format)是一种由Adobe Systems开发的文件格式,旨在保持文档的原始布局和样式,使其在不同的设备和操作系统之间可移植。PDF文件可以包含文本、图像、表格、超链接和其他多媒体元素。解析PDF...

    Lucene的原理完整版pdf

    2. **文档(Document)**:在Lucene中,一个文档代表要被搜索的信息源,可以是网页、电子邮件、数据库记录等。文档由多个字段(Field)组成,每个字段有特定的名称和内容。 3. **字段(Field)**:字段是文档的组成...

    Lucene.net中文帮助文档

    3. **文档和字段(Document and Fields)**:在Lucene.NET中,每个文档由一个或多个字段组成,每个字段都有特定的属性,如是否可被索引、是否存储原始值等。 4. **查询构造(Query Parsing)**:Lucene.NET支持多种...

    毕设 Lucene解析索引PDF文档的内容

    iTextPDFExtractor.java ------ ----使用iText解析PDF 文档代码 PDFBoxHello.java ----------- --PDFBox测试代码 PDFBoxLuceneIndex.java ------ --PDFBox创建PDF文件的Lucene...-- POI处理Excel和Word文档代码

    c#检索excel word ppt pdf

    本文将深入探讨如何使用C#进行多格式文档(如Excel、Word、PowerPoint和PDF)的全文检索。 一、Excel全文检索 在C#中,可以使用Microsoft Office Interop库来操作Excel文件。首先,需要引用`Microsoft.Office....

Global site tag (gtag.js) - Google Analytics