自己动手写搜索引擎（常搜吧历程七#解析文档之WORD#）（Java、Lucene、hadoop）

一、POI对Word处理

1、读取Word

1、读取Excel

3、下载地址：http://www.apache.org/dyn/closer.cgi/poi/dev/

代码实现：

package com.qianyan.test;

import java.io.File;
import java.io.FileInputStream;

import org.apache.poi.hssf.usermodel.HSSFCell;
import org.apache.poi.hssf.usermodel.HSSFChart.HSSFSeries;
import org.apache.poi.hssf.usermodel.HSSFDateUtil;
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.junit.Ignore;
import org.junit.Test;

public class TestPOI {

@Test
//	@Ignore
public void testRead1(){

File file=new File("e:/test.doc");
try {
FileInputStream fis=new FileInputStream(file);
WordExtractor  wordExtractor=new WordExtractor(fis);
System.out.println(wordExtractor.getText());
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}

}
/**
* 分段读操作
*/
@Test
@Ignore
public void testPara(){

File file=new File("e:/test.doc");
try {
FileInputStream fis=new FileInputStream(file);
WordExtractor  wordExtractor=new WordExtractor(fis);
String [] paras=wordExtractor.getParagraphText();
for(int i=0;i<paras.length;i++){
System.out.print("第"+i+"段-->");
System.out.println(paras[i]);
}

} catch (Exception e) {
e.printStackTrace();
}

}

/**
* 一个Excel文件的层次：Excel文件-->工作表-->行-->单元格 对应到POI中，为：wordbook->sheet->cess
*/

/**
* 读取excel，遍历各个小格获取其中信息
* <p/>
* <p/>
* 注意：1.sheet，以0开始，以workbook.getNumberOfSheets()-1结束
* 2.row，以0开始（getFirstRowNum）,以getLastRowNum结束
* 3.cell，*以0开始（getFirstCellNum）,以getLastCellNum结束
*/
@Test
@Ignore
public void testReadExcel() throws Exception {
//创建对Excel工作簿文件的引用
String fileToBeReade = "e:/test.xls";
HSSFWorkbook workbook = new HSSFWorkbook(new FileInputStream(fileToBeReade));
System.out.println("===SheetNum===" + workbook.getNumberOfSheets()); //获取sheet数
if(null != workbook.getSheetAt(0)){
HSSFSheet aSheet = workbook.getSheetAt(0); //获得一个sheet
System.out.println("+++getFirstRowNum+++"
+ aSheet.getFirstRowNum());
System.out.println("+++getLastRowNum+++"
+ aSheet.getLastRowNum());
for(int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++){
if(null != aSheet.getRow(rowNumOfSheet)){
HSSFRow aRow = aSheet.getRow(rowNumOfSheet);
//System.out.println(">>>getFirstCellNum<<<"
//		+ aRow.getFirstCellNum());
//System.out.println(">>>getLastCellNum<<<"
//		+ aRow.getLastCellNum());
System.out.println("row" + rowNumOfSheet + "->");
for(int cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum() + 1; cellNumOfRow++){
if(null != aRow.getCell(cellNumOfRow)){
HSSFCell aCell =  aRow.getCell(cellNumOfRow);
int cellType = aCell.getCellType();
String strCell = "";
//System.out.println(" " + cellType + " ");
switch(cellType){
case HSSFCell.CELL_TYPE_NUMERIC:{  //Numeric
if(HSSFDateUtil.isCellDateFormatted(aCell)){
//如果是Date类型则，取得该Cell的Date值
strCell = HSSFDateUtil.getJavaDate(aCell.getNumericCellValue()).toString();
System.out.println(strCell + " ");
}else{
strCell = aCell.getNumericCellValue() + "";
System.out.println(strCell + " ");
}
}
break;
case HSSFCell.CELL_TYPE_STRING://String
strCell = aCell.getRichStringCellValue().toString();
System.out.println(strCell+ " ");
break;

default:
System.out.println("");//其他格式的数据

}
}
}
}
}
}
}

}

二、使用Jacob来处理Word文档

1、官方的解释是Java COM Bridge，即java和com组件间的桥梁

2、com一般表现为dll或exe等二进制文件

3、office是建立在windows平台之上的，本身是一个软件，除了他自己提供的宏似乎没有什么能对他进行直接的操作；在windows平台上为了解决像这样的不同应用软件，通信缺乏通用api问题，推出了com的解决方案；我们使用dll中的一组或多组相关的函数存取组件数据，总的合成为借口具体到每个细节的实现成为方法；如果我们需调用借口里的方法，唯一的途径就是调用指向借口的指针所以总的来说是使用就是dll完成api的转换。

4、Jacob的就是通过一个借口来操作word的activex对象。现在的版本是1.15

5、下载地址：http://sourceforge.net/projects/jacob-project/

代码实现：（注意：除添加jar包，还需jacob-1.17-M2-x64.dll jacob-1.17-M2-x84.dll两个文件复制到C:WINDOWS\SYSTEM32目录或者工程目录下）

package com.qianyan.test;

import com.jacob.activeX.ActiveXComponent;
import com.jacob.com.Dispatch;
import com.jacob.com.Variant;

public class TestJacob {

public static void extractDoc(String inputFIle, String outputFile) {
boolean flag = false;

// 打开Word应用程序
ActiveXComponent app = new ActiveXComponent("Word.Application");
try {
// 设置word不可见
app.setProperty("Visible", new Variant(false));
// 打开word文件
Dispatch doc1 = app.getProperty("Documents").toDispatch();
Dispatch doc2 = Dispatch.invoke(
doc1,
"Open",
Dispatch.Method,
new Object[] { inputFIle, new Variant(false),
new Variant(true) }, new int[1]).toDispatch();
// 作为txt格式保存到临时文件 Variant(7)
// 作为html格式保存到临时文件 Variant(8)
Dispatch.invoke(doc2, "SaveAs", Dispatch.Method, new Object[] {
outputFile, new Variant(8) }, new int[1]);
// 关闭word
Variant f = new Variant(false);
Dispatch.call(doc2, "Close", f);
flag = true;
} catch (Exception e) {
e.printStackTrace();
} finally {
app.invoke("Quit", new Variant[] {});
}
if (flag == true) {
System.out.println("Transformed Successfully");
} else {
System.out.println("Transform Failed");
}
}
public static void main(String[] args) {
extractDoc("E:/test.doc","E:/test.htm");
}

}