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");
	}

}