office2003和office2007提取解析心得。
最近做了office2003和office2007的解析！在寻找了诸多资料过后,完整的解析出了这六种格式(doc,xls,ppt,docx,xlsx,pptx)，能提取出这些文件的文字信息。解析office2003的比较简单！可以直接在网上搜开源包，POI的最新的版本下载后，参照例子，就可以解析出来，才开始做的时候从小的地方入手，一点一点的来！
这里主要说下office2007的问题！因为现在最新版本的poi对于office2007还不能很好的解析，所以只有另辟蹊径！我们首先要知道office2007和2003的区别，07版本的在windows操作系统下面用解压软件可以打开，发现里面是很多.xml文件！如.docx的word文档打开过后可以看到word/document.xml这个文件，打开这个文件，里面是xml格式的代码，你会发现，所有的最原始的文字都在这里面，这就是我们需要的，而其他什么格式啊，样式啊，都是无关紧要的，主要是提取出文字信息！既然是.xml格式的，那我们又必须要解析.xml
好在java就是开源的东西比较多，网上搜一搜，就可以找出一堆解析.xml文件的库，我使用的是net.htmlparser.jericho.Source这个库，然后用这个库来解析你找到的word/document.xml文件，当然打开这个docx文件的时候要用到ZipInputStream，getNextEntry()方法来一个一个找来得到需要的文件！最后就是调用xml库来解析这个xml文件就可以提取出文字信息啦！
同样的分析方法，都打开pptx和xlsx，你也会存储文字信息的xml文件，在用同样的方法就可以解决啦！只是pptx是每一页，就是每一个slide是一个xml，你的ppt有多少页，就会有多少个slide.xml,需要做一些算，这个就希望大家动脑啦！而xlsx我现在解析的也不是很完整，但是90%可以解析出来，只是有时候输入的数字会不载xl/sharedStrings.xml这个文件里面，比较奇怪，有时候在有时候不在，不能确定，所以也就不能编出确定的程序来，如果文件的内容不同，xlsx生成的xml也会在有不同！还需要分析分析!
有点晚啦，困了！先写到这里，具体还有啥子问题的！我在来详细回答下好了！我也是新手，往大虾们别丢砖！谢谢！