佳丽斯 加厚双人/单人秋冬被子暖冬 羊毛被芯羊毛柔丝被特价包邮 忧忧鱼冬外穿打底裤女秋冬厚长裤女裤加绒加厚高腰弹力铅笔裤靴裤 韩国代购2013新款 韩版秋冬休闲女时尚磨破口袋卫衣韩版学生装 潮

有时,退一步,能一口气进几步,只是这先退一步需要勇气和自信。

用心爱你,努力工作。

  BlogJava :: 首页 :: 新随笔 :: 联系 :: 聚合  :: 管理 ::
  70 随笔 :: 1 文章 :: 33 评论 :: 0 Trackbacks
    在开發中,經常遇到需要用去解析各类非结构化文本,像doc,xls,pdf,ppt,xml,html.
    本人在开發站内搜索时,需要加入对各类文件类型的支持,以方便建立索引。解析各类文档调用了几個开源的包。像dom4j-1.6.1.jar,FontBox-0.1.0-dev.jar,htmllexer.jar,htmlparser.jar,PDFBox-0.7.3.jar,poi-3.5-FINAL-20090928.jar,poi-scratchpad-3.5-FINAL-20090928.jar。这些开源的包可以讓我們很方便去解析各类非结构化文本。

jar包的下载地址: http://www.ziddu.com/download/7017588/devlib.rar.html

代码如下:
package com.ducklyl;

import java.io.File;
import java.io.FileInputStream;
import java.util.Iterator;
import org.apache.poi.hslf.model.Slide;
import org.apache.poi.hslf.model.TextRun;
import org.apache.poi.hslf.usermodel.SlideShow;
import org.apache.poi.hssf.usermodel.HSSFCell;
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.HWPFDocument;
import org.apache.poi.hwpf.usermodel.Paragraph;
import org.apache.poi.hwpf.usermodel.Range;
import org.dom4j.Document;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;
import org.htmlparser.Parser;
import org.htmlparser.filters.*;

import org.htmlparser.*;
import org.htmlparser.nodes.TextNode;
import org.htmlparser.util.*;

import org.pdfbox.pdfparser.PDFParser;
import org.pdfbox.pdmodel.PDDocument;
import org.pdfbox.util.PDFTextStripper;



public class HandleFile {
    
public static void main(String args[]){
        String str
="e:\\test.HTML";
        System.out.println(handleFile(str));
    }

    
public static String handleFile(String filename){
        String result
="";
        String fileType
=filename.substring(filename.lastIndexOf(".")+1, filename.length());
        
if(fileType.equalsIgnoreCase("pdf"))
            result
=handlePdf(filename);
        
else if(fileType.equalsIgnoreCase("xls"))
            result
=handleExcel(filename);
        
else if(fileType.equalsIgnoreCase("doc"))
            result
=handleDoc(filename);
        
else if(fileType.equalsIgnoreCase("xml"))
            result
=handleXml(filename);
        
else if(fileType.equalsIgnoreCase("ppt"))
            result
=handlePPT(filename);
        
else if(fileType.equalsIgnoreCase("htm")||fileType.equalsIgnoreCase("html"))
            result
=handleHtml(filename);
        
return result;
    }
/**
 * 解析HTML
 * 
@param filename
 * 
@return
 
*/
    
public static String handleHtml(String filename){
        String content
="";
        
try{
            File file
=new File(filename);
            
if(!file.exists()) return content;
            
            Parser parser
=new Parser(filename);
            parser.setEncoding(
"UTF-8");
            NodeFilter textFilter
=new NodeClassFilter(TextNode.class);
            NodeList nodes
=parser.extractAllNodesThatMatch(textFilter);
            
for(int i=0;i<nodes.size();i++){
                TextNode textnode
=(TextNode)nodes.elementAt(i);
                String line
=textnode.toPlainTextString().trim();
                
if(line.equals("")) continue;
                content
=content+line;
            }
        }
catch(Exception e){
            e.printStackTrace();
        }
        
return content;
    }
    
/**
     * 解析PPT
     * 
@param filename
     * 
@return
     
*/
    
public static String handlePPT(String filename){
        StringBuffer content 
= new StringBuffer("");
        
try{
            File file
=new File(filename);
            
if(!file.exists()) {
                
return content.toString();
            }
            FileInputStream instream
=new FileInputStream(file);
            SlideShow ppt 
= new SlideShow(instream);
            Slide[] slides 
= ppt.getSlides();
            
for(int i=0;i<slides.length;i++){
                TextRun[] t 
= slides[i].getTextRuns();//为了取得幻灯片的文字内容,建立TextRun
                for(int j=0;j<t.length;j++){
                    content.append(t[j].getText());
//这里会将文字内容加到content中去
                }
                content.append(slides[i].getTitle());
            }
        }
catch(Exception e){
            e.printStackTrace();
        }
        
return content.toString();
    }
    
/**
     * 解析XML
     * 
@param filename
     * 
@return
     
*/
    
public static String handleXml(String filename){
        String content
="",value="",text="";
        
try{
            File file
=new File(filename);
            
if(!file.exists()) {
                
return content;
            }
              SAXReader saxReader 
= new SAXReader();
              Document document 
= saxReader.read(file);
              Element root 
= document.getRootElement() ;
              
              Iterator iter
=root.elementIterator() ;
               
while(iter.hasNext()){
                  Element element
=(Element)iter.next();
                  value
=element.getStringValue();
                  
if(!value.trim().equals(""))    content=content+value;
               }
        }
catch(Exception e){
                e.printStackTrace();
        }
        
return content;
    }
    
/**
     * 解析DOC
     * 
@param filename
     * 
@return
     
*/
    
public static String handleDoc(String filename){
        String content
="";
        
try{
            File file
=new File(filename);
            
if(!file.exists()) {
                
return content;
            }
            FileInputStream instream
=new FileInputStream(file);
            HWPFDocument doc
=new HWPFDocument(instream);
            Range range
=doc.getRange();
            String text
=range.text();
            
for(int i=0;i<range.numParagraphs();i++){
                Paragraph p
=range.getParagraph(i);
                content
=content+p.text().trim()+"\n";
            }
        }
catch(Exception e){
            e.printStackTrace();
        }
        
return content;
    }
    
/**
     * 解析PDF
     * 
@param filename
     * 
@return
     
*/
    
public static String handlePdf(String filename){
        String contenttxt
="";
        
try{
            File file
=new File(filename);
            
if(!file.exists()){
                
return contenttxt;
            }
            FileInputStream instream
=new FileInputStream(file);
            PDFParser parser
=new PDFParser(instream);
            parser.parse();
            PDDocument pdfdocument
=parser.getPDDocument();
            PDFTextStripper pdfstripper
=new PDFTextStripper();
            contenttxt
=pdfstripper.getText(pdfdocument);
        }
catch(Exception e){
            e.printStackTrace();
        }
        
return contenttxt;
    }
    
/**
     * 解析EXCEL
     * 
@param filename
     * 
@return
     
*/
    
public static String handleExcel(String filename){
        String content
="";
        
try{
            File file
=new File(filename);
            
if(!file.exists()) {
                
return content;
            }
            HSSFWorkbook workbook
=new HSSFWorkbook(new FileInputStream(file));
            HSSFSheet sheet
=workbook.getSheetAt(0);
            
            
for(int i=0;i<workbook.getNumberOfSheets();i++){
                sheet
=workbook.getSheetAt(i);
                
if(sheet!=null){
                    
for(int m=0;m<sheet.getLastRowNum();m++){
                        HSSFRow row
=sheet.getRow(m);
                        
if(row==nullbreak;
                        
                        
for(int n=0;n<row.getLastCellNum();n++){
                            HSSFCell cell
=row.getCell(n);
                            
if(cell==nullbreak;
                            
int type=cell.getCellType();
                            
switch(type){
                                
case 0:
                                    content
=content+cell.getNumericCellValue();
                                    
break;
                                
case 1:
                                    content
=content+cell.getStringCellValue();
                                    
break;
                                
case 3:
                                    
break;
                                
default:
                                    ;
                            }
                        }
                        content
=content+"\n";
                    }
                }
                content
=content+"\n";
            }

        }
catch(Exception e){    
            e.printStackTrace();
        }
        
return content;
    }
}
不想拷贝的朋友可以直接下载源代码:http://www.ziddu.com/download/7017614/src.txt.html

以上代码比较简单,就不作说明,希望能幫到需要用的朋友。当然上面只是一個简单的例子,如果要具体应用,大家可以自己再改写。如果你有其它的想法,欢迎分享你的精彩想法。


转载请注明出处

posted on 2009-10-22 10:55 王生生 阅读(1622) 评论(0)  编辑  收藏 所属分类: Java

只有注册用户登录后才能发表评论。


网站导航:
 
森露2013新款豹纹打底衫 高领 女 长袖 修身长袖t恤女 加绒加厚冬 2013春秋新款女装 潮修身大码长袖小西装外套女 韩版中长款小西装 忧忧鱼2013秋冬新款直筒裤女显瘦长裤加绒黑色休闲裤修身西裤女裤