WORD的POI处理与原理

转载自罗刚老师的《解密搜索引擎技术实战》电子工业出版社

 

Word是微软公司开发的字处理文件格式，以“doc”或者“docx”作为文件后缀名。Apache的POI(http://poi.apache.org/)可以用来在Windows或Linux平台下提取Word文档。用POI提取文本的基本方法如下：

public static String readDoc(InputStream is) throws IOException{

               //创建WordExtractor

               WordExtractor extractor=new WordExtractor(is);

               //   对DOC文件进行提取

               return extractor.getText();

}

为了提取Word文档的标题，需要深入了解POI接口。一个Word文档包含一个或者多个Section，每个Section下面包含一个或者多个Paragraph，每个Paragrah下面包含一个或者多个CharacterRun。

 

图3-16 Word文档结构图

遍历Word文档结构的代码如下：

Range r = doc.getRange();

 

for (int x = 0; x < r.numSections(); x++) {

       Section s = r.getSection(x);

       for (int y = 0; y < s.numParagraphs(); y++) {

              Paragraph p = s.getParagraph(y);

              for (int z = 0; z < p.numCharacterRuns(); z++) {

                     CharacterRun run = p.getCharacterRun(z);

                     //字符串文本

                     String text = run.text();

                     System.out.println(text);

              }

       }

}

       标题往往是居中对齐的。可以通过Paragraph的getJustification方法得到段落的对齐方式。getJustification的返回值0表示左对齐，1表示居中对齐，2表示右对齐，3表示两端对齐。

可以通过CharacterRun对象取得文字内容、字体大小、文字颜色等信息。

run.text();    //文字内容

run.getFontSize(); //字体大小

run.getColor();  //文字颜色

对于Word 95这样的老版本，需要使用Word6Extractor，例如：

Word6Extractor extractor = new Word6Extractor(in); 

String text = extractor.getText();

读入文档表格中的内容：

FileInputStream in = new FileInputStream("d:\\test.doc");

POIFSFileSystem pfs = new POIFSFileSystem(in);

HWPFDocument hwpf = new HWPFDocument(pfs);

Range range = hwpf.getRange();

TableIterator it = new TableIterator(range);

while (it.hasNext()) { //看有没有下一个表格

       Table tb = (Table) it.next(); //取得下一个表格

       for (int i = 0; i < tb.numRows(); i++) {

              TableRow tr = tb.getRow(i);

 

              for (int j = 0; j < tr.numCells(); j++) {

                     TableCell td = tr.getCell(j);

 

                     for (int k = 0; k < td.numParagraphs(); k++) {

                            Paragraph p = td.getParagraph(k);

                            String s = p.text();

                            System.out.println(s);

                     }

              }

       }

}