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//@Ignorepublic 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 blocke.printStackTrace();}}/** * 分段读操作 */@Test @Ignorepublic 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@Ignorepublic 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sheetSystem.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:{  //Numericif(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://StringstrCell = 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");}}