采用POI和ANTLR提取WORD文檔數(shù)據(jù)

2019-11-18 11:27:37

字體：大中小

供稿：網(wǎng)友

1. POI提取Word文檔內(nèi)容

POI是Apache開源項目之一，用java實現(xiàn)跨平臺MS Word/Excel文檔解析。也就是說可以在非Windows平臺提取MS Word/Excel文檔內(nèi)容。本文采用POI的一個擴(kuò)展Jar包tm-extractors_0.4.jar提取Word文檔內(nèi)容。 Word文檔內(nèi)容如下：（該文檔有2頁，每頁記錄一個組件內(nèi)容），

采用POI和ANTLR提取WORD文檔數(shù)據(jù)（圖一）

采用POI和ANTLR提取WORD文檔數(shù)據(jù)（圖二）

Java類中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為 FileInputStream(new File("Word文檔地址"));
                return text;
}

運(yùn)行結(jié)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
?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦?¦