采用POI和ANTLR提取WORD文档数据

　2008-01-05 18:39:08　来源：WEB开发网　闂傚倸鍊风欢姘缚瑜嶈灋闁圭虎鍠栫粻顖炴煥閻曞倹瀚�

闂傚倸鍊风粈渚€骞夐敓鐘插瀭闁汇垹鐏氬畷鏌ユ煙閹殿喖顣奸柛搴＄У閵囧嫰骞掗幋婵冨亾閻㈢ǹ纾婚柟鐐灱濡插牊绻涢崱妤冃℃繛宀婁簽缁辨捇宕掑鎵佹瀸闂佺懓鍤栭幏锟�

濠电姷鏁告慨顓㈠箯閸愵喖宸濇い鎾寸箘閹规洟姊绘笟鈧ḿ褍煤閵堝悿娲Ω閳轰胶鍔﹀銈嗗笂閼冲爼鍩婇弴銏＄厪闁搞儮鏅涙禒褏绱掓潏鈺佷槐闁轰焦鎹囬弫鎾绘晸閿燂拷闂傚倸鍊风欢姘缚瑜嶈灋闁圭虎鍠栫粻顖炴煥閻曞倹瀚�　　闂傚倸鍊烽懗鑸电仚缂備胶绮〃鍛村煝瀹ュ鍗抽柕蹇曞У閻庮剟姊虹紒妯哄闁圭⒈鍋嗛惀顏囶樄闁哄本娲樼换婵婄疀閺囩姷鐛ラ梻浣哄帶婢瑰﹥绂嶅⿰鍫氣偓鏃堝礃椤忎礁浜鹃柨婵嗛婢ь喖霉閻樻瑥瀚粻楣冩煕椤愩倕鏋庨柣蹇嬪劜閵囧嫰寮村Ο鍝勫Е濡炪們鍨洪悷鈺呭箖閳╁啯鍎熼柕鍥у簻閹凤拷

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），

采用POI和ANTLR提取WORD文档数据（图一）

采用POI和ANTLR提取WORD文档数据（图二）

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
?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦