`

关于lucene处理word、excel、ppt、txt、pdf等格式文件

    博客分类:
  • java
 
阅读更多

关于lucene处理word、excel、ppt、txt、pdf等格式文件的代码如下: 

Java代码  收藏代码
  1. public class ReadFile {  
  2.       
  3.     /** 
  4.      * 处理word2003 
  5.      * @param path 
  6.      * @return 
  7.      * @throws Exception 
  8.      */  
  9.     public static String readWord(String path) throws Exception {  
  10.         String bodyText = null;  
  11.         InputStream inputStream = new FileInputStream(path);  
  12.         WordExtractor extractor = new WordExtractor(inputStream);    
  13.         bodyText = extractor.getText();  
  14.         return bodyText;  
  15.     }  
  16.       
  17.     /** 
  18.      * 处理word2007 
  19.      * @param path 
  20.      * @return 
  21.      * @throws IOException 
  22.      * @throws OpenXML4JException 
  23.      * @throws XmlException 
  24.      */  
  25.     public static String readWord2007(String path) throws IOException, OpenXML4JException, XmlException {  
  26.         OPCPackage opcPackage = POIXMLDocument.openPackage(path);  
  27.         POIXMLTextExtractor ex = new XWPFWordExtractor(opcPackage);  
  28.         return ex.getText();  
  29.     }  
  30.     /** 
  31.      * 处理excel2003 
  32.      * @param path 
  33.      * @return 
  34.      * @throws IOException 
  35.      */  
  36.     public static String ReadExcel(String path) throws IOException {  
  37.         InputStream inputStream = null;  
  38.         String content = null;  
  39.         try {  
  40.             inputStream = new FileInputStream(path);  
  41.             HSSFWorkbook wb = new HSSFWorkbook(inputStream);  
  42.             ExcelExtractor extractor = new ExcelExtractor(wb);  
  43.             extractor.setFormulasNotResults(true);  
  44.             extractor.setIncludeSheetNames(false);  
  45.             content = extractor.getText();  
  46.         } catch (FileNotFoundException e) {  
  47.             e.printStackTrace();  
  48.         }  
  49.         return content;  
  50.     }  
  51.     /** 
  52.      * 处理excel2007 
  53.      * @param path 
  54.      * @return 
  55.      * @throws IOException 
  56.      */  
  57.     public static String readExcel2007(String path) throws IOException {  
  58.         StringBuffer content = new StringBuffer();  
  59.         // 构造 XSSFWorkbook 对象,strPath 传入文件路径  
  60.         XSSFWorkbook xwb = new XSSFWorkbook(path);  
  61.         // 循环工作表Sheet  
  62.         for (int numSheet = 0; numSheet < xwb.getNumberOfSheets(); numSheet++) {  
  63.             XSSFSheet xSheet = xwb.getSheetAt(numSheet);  
  64.             if (xSheet == null) {  
  65.                 continue;  
  66.             }  
  67.             // 循环行Row  
  68.             for (int rowNum = 0; rowNum <= xSheet.getLastRowNum(); rowNum++) {  
  69.                 XSSFRow xRow = xSheet.getRow(rowNum);  
  70.                 if (xRow == null) {  
  71.                     continue;  
  72.                 }  
  73.                 // 循环列Cell  
  74.                 for (int cellNum = 0; cellNum <= xRow.getLastCellNum(); cellNum++) {  
  75.                     XSSFCell xCell = xRow.getCell(cellNum);  
  76.                     if (xCell == null) {  
  77.                         continue;  
  78.                     }  
  79.                     if (xCell.getCellType() == XSSFCell.CELL_TYPE_BOOLEAN) {  
  80.                         content.append(xCell.getBooleanCellValue());  
  81.                     } else if (xCell.getCellType() == XSSFCell.CELL_TYPE_NUMERIC) {  
  82.                         content.append(xCell.getNumericCellValue());  
  83.                     } else {  
  84.                         content.append(xCell.getStringCellValue());  
  85.                     }  
  86.                 }  
  87.             }  
  88.         }  
  89.   
  90.         return content.toString();  
  91.     }  
  92.     /** 
  93.      * 处理ppt 
  94.      * @param path 
  95.      * @return 
  96.      */  
  97.     public static String readPowerPoint(String path) {  
  98.         StringBuffer content = new StringBuffer("");  
  99.         InputStream inputStream = null;  
  100.         try {  
  101.             inputStream = new FileInputStream(path);  
  102.             SlideShow ss = new SlideShow(new HSLFSlideShow(new FileInputStream(path)));// is  
  103.             // 为文件的InputStream,建立SlideShow  
  104.             Slide[] slides = ss.getSlides();// 获得每一张幻灯片  
  105.             for (int i = 0; i < slides.length; i++) {  
  106.                 TextRun[] t = slides[i].getTextRuns();// 为了取得幻灯片的文字内容,建立TextRun  
  107.                 for (int j = 0; j < t.length; j++) {  
  108.                     content.append(t[j].getText());// 这里会将文字内容加到content中去  
  109.                 }  
  110.             }  
  111.         } catch (Exception ex) {  
  112.             System.out.println(ex.toString());  
  113.         }  
  114.         return content.toString();  
  115.     }  
  116.     /** 
  117.      * 处理pdf 
  118.      * @param path 
  119.      * @return 
  120.      * @throws IOException 
  121.      */  
  122.     public static String readPdf(String path) throws IOException {  
  123.         StringBuffer content = new StringBuffer("");// 文档内容  
  124.         PDDocument pdfDocument = null;  
  125.         try {  
  126.             FileInputStream fis = new FileInputStream(path);  
  127.             PDFTextStripper stripper = new PDFTextStripper();  
  128.             pdfDocument = PDDocument.load(fis);  
  129.             StringWriter writer = new StringWriter();  
  130.             stripper.writeText(pdfDocument, writer);  
  131.             content.append(writer.getBuffer().toString());  
  132.             fis.close();  
  133.         } catch (java.io.IOException e) {  
  134.             System.err.println("IOException=" + e);  
  135.             System.exit(1);  
  136.         } finally {  
  137.             if (pdfDocument != null) {  
  138.                 org.pdfbox.cos.COSDocument cos = pdfDocument.getDocument();  
  139.                 cos.close();  
  140.                 pdfDocument.close();  
  141.             }  
  142.         }  
  143.           
  144.         return content.toString();  
  145.   
  146.     }  
  147.     /** 
  148.      * 处理txt 
  149.      * @param path 
  150.      * @return 
  151.      * @throws IOException 
  152.      */  
  153.     public static String readTxt(String path) throws IOException {  
  154.         StringBuffer sb = new StringBuffer("");  
  155.         InputStream is = new FileInputStream(path);  
  156.         // 必须设置成GBK,否则将出现乱码  
  157.         BufferedReader reader = new BufferedReader(new InputStreamReader(is, "GBK"));  
  158.         try {  
  159.             String line = "";  
  160.             while ((line = reader.readLine()) != null) {  
  161.                 sb.append(line + "\r");  
  162.             }  
  163.         } catch (FileNotFoundException e) {  
  164.             e.printStackTrace();  
  165.         }  
  166.         return sb.toString().trim();  
  167.     }  
  168.       
  169. }  



使用jar包如下: 

分享到:
评论

相关推荐

    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...

    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...

    JAVA读取WORD_EXCEL_POWERPOINT_PDF文件的方法(poi)

    POI 库是一个开放源代码的 Java 库,提供了对 Microsoft Office 文件格式的读写能力。 读取 WORD 文件 在读取 WORD 文件时,需要使用 `org.apache.poi.hwpf` 包下的 `WordExtractor` 类来提取文档内容。下面是一个...

    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....

    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...

    Delphi提取docx,doc,xls,xlsx,ppt,ppts,pdf,eml,html,等文件内容文本

    A: pdf文件 B: office word文件 ".doc", ".odt", ".docx", ".dotm", ".docm" C: wps文档 ".wps" D: office excel文件 ".xls", ".xlsx", ".xlsm", ".xltm" E: wps表格 ".et" F: office powerPoint文件 ".ppt", ".pptx...

    lucene 全文检索

    在实践中,Lucene可以处理多种格式的文件,如Word、Excel、PPT和PDF,这些文件通过特定的解析器(如Apache POI和PDFBox)将内容提取出来,然后进行索引。通过封装接口,开发者可以轻松地将这些功能整合到自己的应用...

    lucene全文检索

    lucene全文检索,适用于ppt,word,pdf,excel等

    C#检索不同格式文件源代码

    Lucene.NET支持多种文档格式的索引和搜索,包括但不限于Word、Excel、PDF和PowerPoint等。 #### 2. 索引构建流程概述 构建索引的过程主要包括以下几个步骤: - **指定资源文件和索引文件的存放路径**:在构建索引...

    VC提取docx,doc,xls,xlsx,ppt,ppts,pdf,html,eml,rtf,htm,思维导图等文件内容文本

    A: pdf文件 B: office word文件 ".doc", ".odt", ".docx", ".dotm", ".docm" C: wps文档 ".wps" D: office excel文件 ".xls", ".xlsx", ".xlsm", ".xltm" E: wps表格 ".et" F: office powerPoint文件 ".ppt", ".pptx...

    GCC提取docx,doc,xls,xlsx,ppt,ppts,pdf,html,eml,rtf,htm,思维导图等文件内容文本

    A: pdf文件 B: office word文件 ".doc", ".odt", ".docx", ".dotm", ".docm" C: wps文档 ".wps" D: office excel文件 ".xls", ".xlsx", ".xlsm", ".xltm" E: wps表格 ".et" F: office powerPoint文件 ".ppt", ".pptx...

    lucene全文检索jar

    为文件建立索引,目前仅支持(txt,word,excel,ppt,pdf文件),然后搜索索引文件

    一个专业搜索公司关于lucene+solar资料(1)

    - 抓取图片时需考虑图片大小、格式等因素。 - 可以通过图像处理技术进一步优化图片质量。 - **3.1.6 垂直行业抓取** - 针对特定行业或领域的数据抓取,如医疗、金融等。 - 需要深入理解该领域的专业知识。 **...

    lucence资源

    本文将深入探讨Lucene在4.10及更高版本中的核心功能,包括如何建立索引、删除索引以及如何处理Office文档,如读取Word、Excel、PowerPoint等文件。 一、Lucene基础知识 1.1 Lucene简介 Lucene是一个高性能、全功能...

    lucene nutch 搜索引擎 开发 实例 源代码 源码

    lucene nutch 搜索引擎 开发 实例 源代码 源码 包含lucene使用的所有源代码,从建立索引,搜索,删除,...还有PDF 解析,WORD解析 ,EXCEL,ppt,xml解析等,,都有源码实现 还有nutch源码,spider源码。。。 非常齐全

    仿百度文库效果

    【描述】"没有写pdf格式的验证"意味着该系统可能不包含针对PDF文件的特定验证机制,这可能是因为开发者选择专注于支持Office套件,如Word、Excel、PPT等格式的文档。Office套件是日常工作中常用的文档格式,对于...

    解密搜索引擎技术实战:Lucene&Java精华版

    - **3.2.4 Rtf文件**:介绍了如何处理Rtf格式的文档。 - **3.2.5 Excel文件**:讲解了从Excel表格中抽取数据的技术。 - **3.2.6 PowerPoint文件**:探讨了从PPT文档中提取信息的方法。 - **3.3 提取垂直行业信息*...

    搜索引擎开发培训课程提纲PPT学习教案.pptx

    10. **文本提取**:从HTML和其他格式的文件中提取文本,如PDF、Word、Excel、PowerPoint等,HTMLParser是常用的工具,DOM树和NekoHTML则用于解析和清洗网页内容。 11. **中文分词**:在Lucene和Lietu等工具中,中文...

Global site tag (gtag.js) - Google Analytics