采用POI和ANTLR提取WORD文档数据

核心提示：1. POI提取Word文档内容POI是Apache开源项目之一，用java实现跨平台MS Word/Excel文档解析，采用POI和ANTLR提取WORD文档数据， 也就是说可以在非Windows平台提取MS Word/Excel文档内容， 本文采用POI的一个扩展Jar包tm-extractors_0.4.jar提

1. POI提取Word文档内容

POI是Apache开源项目之一，用java实现跨平台MS Word/Excel文档解析。 也就是说可以在非Windows平台提取MS Word/Excel文档内容。 本文采用POI的一个扩展Jar包tm-extractors_0.4.jar提取Word文档内容。 Word文档内容如下：（该文档有2页，每页记录一个组件内容），

Java类中Import import org.textmining.text.extraction.WordExtractor;然后在方法中：

　PRotected String getText() throws Exception {
　　　　　　　  WordExtractor extractor=null;
　　　　　　　  String text=null;
　　　　　　　　extractor = new WordExtractor();
　　　　　　　  text=extractor.extractText(in);　 // in为 FileInputStream(new File("Word文档地址"));
　　　　　　　  return text;
 }

 运行结果如下：

Colimas Component Specification

1. Component: Apache Jakarta POI Java API To access Microsoft Format Files
 
1.1 Basic Information
?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦

Alias　　　　　　　　　　　　　　　 : POI
Author　　　　　　　　　　　　　  : http://jakarta.apache.org/poi/index.Html
Version　　　　　　　　　　　　　 : 0.0.1
Language　　　　　　　　　　　  : Java
Platform　　　　　　　　　　　　  : Windows, linux, Unix
Status　　　　　　　　　　　　　　  : Confirmed
Is public?　　　　　　　　　　　　 : Y
?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦
1.2 Developers
?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦
Apache developer1
Apache developer2
?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦