在上一篇文章中 ,lucene只能全文检索word2003,无法检索2007。为解决此问题,找到了如下方法
POI 读取word (word 2003 和 word 2007)
最近在给客户做系统的时候,用户提出需求,要能够导入 word 文件,现在 microsoft word 有好几个版本 97、2003、2007的,这三个版本存储数据的格式上都有相当大的差别,而现在 97 基本上已经退出市场,几乎没有人用这个版本了, 所以在我们的系统中只考虑 2003 版本和 2007 版本的,因为我们只要求能够读取 word 中的文字内容即可,其中的文字样式、图片等信息可以忽略,也不用直接操作 word 文件, 所以我们选择 用 apache 的 POI 进行读取。
读取 2003 版本(.doc)的word文件相对来说比较简单,只需要 poi-3.5-beta6-20090622.jar 和 poi-scratchpad-3.5-beta6-20090622.jar 两个 jar 包即可, 而 2007 版本(.docx)就麻烦多,我说的这个麻烦不是我们写代码的时候麻烦,是要导入的 jar 包比较的多,有如下 7 个之多:
1. openxml4j-bin-beta.jar
2. poi-3.5-beta6-20090622.jar
3. poi-ooxml-3.5-beta6-20090622.jar
4 .dom4j-1.6.1.jar
5. geronimo-stax-api_1.0_spec-1.0.jar
6. ooxml-schemas-1.0.jar
7. xmlbeans-2.3.0.jar
其中 4-7 是 poi-ooxml-3.5-beta6-20090622.jar 所依赖的 jar 包(在 poi-bin-3.5-beta6-20090622.tar.gz 中的 ooxml-lib 目录下可以找到)。
编写代码之前我们得先下载所需要的 jar 包, 我们只需下载 poi-bin-3.5-beta6-20090622.tar.gz 和 openxml4j-bin-beta.jar 即可,因为所需要的其他 jar 包都能在 poi-bin-3.5-beta6-20090622.tar.gz 中找到, 下面是下载地址:
poi-bin-3.5-beta6-20090622.tar.gz:http://apache.etoak.com/poi/dev/bin/poi-bin-3.5-beta6-20090622.tar.gz
openxml4j-bin-beta.jar:http://mirror.optus.net/sourceforge/o/op/openxml4j/openxml4j-bin-beta.jar
下方是读取 word 文件的 Java 代码,值得注意的是: POI 在读取 word 文件的时候不会读取 word 文件中的图片信息, 还有就是对于 2007 版的 word(.docx), 如果 word 文件中有表格,所有表格中的数据都会在读取出来的字符串的最后。
import java.io.File; import java.io.FileInputStream; import java.io.InputStream; import org.apache.poi.POIXMLDocument; import org.apache.poi.POIXMLTextExtractor; import org.apache.poi.hwpf.extractor.WordExtractor; import org.apache.poi.openxml4j.opc.OPCPackage; import org.apache.poi.xwpf.extractor.XWPFWordExtractor; /** * POI 读取 word 2003 和 word 2007 中文字内容的测试类<br /> * @createDate 2009-07-25 * @author Carl He */ public class Test { public static void main(String[] args) { try { //word 2003: 图片不会被读取 InputStream is = new FileInputStream(new File("c://files//2003.doc")); WordExtractor ex = new WordExtractor(is); String text2003 = ex.getText(); System.out.println(text2003); //word 2007 图片不会被读取, 表格中的数据会被放在字符串的最后 OPCPackage opcPackage = POIXMLDocument.openPackage("c://files//2007.docx"); POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage); String text2007 = extractor.getText(); System.out.println(text2007); } catch (Exception e) { e.printStackTrace(); } } }
找到方法后,我们对上一篇文章indexer.java的源码进行更改,新增函数getDocument2007()
public static Document getDocument2007(File file) throws Exception { String docPath = file.getAbsolutePath(); String title = file.getName(); // 鍒涘缓Document Document document = new Document(); OPCPackage opcPackage = POIXMLDocument.openPackage(docPath); POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage); String cont = extractor.getText(); document.add(new Field("filename", title, Field.Store.YES, Field.Index.ANALYZED));//TOKENIZED //document.add(new Field("contents", contents)); document.add(new Field("contents", cont,Field.Store.YES,Field.Index.ANALYZED)); //document.add(new Field("path", docPath, Field.Store.YES,Field.Index.ANALYZED)); document.add(new Field("indexDate",DateTools.dateToString(new Date(), DateTools.Resolution.DAY), Field.Store.YES,Field.Index.NOT_ANALYZED)); return document; } public static Document getDocument2003(File file) throws Exception { String docPath = file.getAbsolutePath(); String title = file.getName(); // 鍒涘缓Document Document document = new Document(); StringBuffer contents = new StringBuffer("");// 鏂囨。鍐呭 try { FileInputStream fs = new FileInputStream(docPath); HWPFDocument doc = new HWPFDocument(fs); Range range = doc.getRange(); int paragraphCount = range.numParagraphs();// 娈佃惤 for (int i = 0; i < paragraphCount; i++) {// 閬嶅巻娈佃惤璇诲彇鏁版嵁 Paragraph pp = range.getParagraph(i); contents.append(pp.text()); } } catch (Exception e) { } String cont = contents.toString().trim(); document.add(new Field("filename", title, Field.Store.YES, Field.Index.ANALYZED));//TOKENIZED //document.add(new Field("contents", contents)); document.add(new Field("contents", cont,Field.Store.YES,Field.Index.ANALYZED)); //document.add(new Field("path", docPath, Field.Store.YES,Field.Index.ANALYZED)); document.add(new Field("indexDate",DateTools.dateToString(new Date(), DateTools.Resolution.DAY), Field.Store.YES,Field.Index.NOT_ANALYZED)); return document; }
同时修改for循环中的读取文件
if(files[i].getName().endsWith(".doc")){
doc = getDocument2003(files[i]);
}else if(files[i].getName().endsWith(".docx")){
doc = getDocument2007(files[i]);
}