学步园

Java代码

1. public class WordExtractor {   
2.     public WordExtractor() {   
3.     }   
4.   
5.     public String extractText(InputStream in) throws IOException {   
6.         ArrayList text = new ArrayList();   
7.         POIFSFileSystem fsys = new POIFSFileSystem(in);   
8.   
9.         DocumentEntry headerProps = (DocumentEntry) fsys.getRoot().getEntry("WordDocument");   
10.         DocumentInputStream din = fsys.createDocumentInputStream("WordDocument");   
11.         byte[] header = new byte[headerProps.getSize()];   
12.   
13.         din.read(header);   
14.         din.close();   
15.         // Prende le informazioni dall'header del documento   
16.         int info = LittleEndian.getShort(header, 0xa);   
17.   
18.         boolean useTable1 = (info & 0x200) != 0;   
19.   
20.         //boolean useTable1 = true;   
21.            
22.         // Prende informazioni dalla piece table   
23.         int complexOffset = LittleEndian.getInt(header, 0x1a2);   
24.         //int complexOffset = LittleEndian.getInt(header);   
25.            
26.         String tableName = null;   
27.         if (useTable1) {   
28.             tableName = "1Table";   
29.         } else {   
30.             tableName = "0Table";   
31.         }   
32.   
33.         DocumentEntry table = (DocumentEntry) fsys.getRoot().getEntry(tableName);   
34.         byte[] tableStream = new byte[table.getSize()];   
35.   
36.         din = fsys.createDocumentInputStream(tableName);   
37.   
38.         din.read(tableStream);   
39.         din.close();   
40.   
41.         din = null;   
42.         fsys = null;   
43.         table = null;   
44.         headerProps = null;   
45.   
46.         int multiple = findText(tableStream, complexOffset, text);   
47.   
48.         StringBuffer sb = new StringBuffer();   
49.         int size = text.size();   
50.         tableStream = null;   
51.   
52.         for (int x = 0; x < size; x++) {   
53.                
54.             WordTextPiece nextPiece = (WordTextPiece) text.get(x);   
55.             int start = nextPiece.getStart();   
56.             int length = nextPiece.getLength();   
57.   
58.             boolean unicode = nextPiece.usesUnicode();   
59.             String toStr = null;   
60.             if (unicode) {   
61.                 toStr = new String(header, start, length * multiple, "UTF-16LE");   
62.             } else {   
63.                 toStr = new String(header, start, length, "ISO-8859-1");   
64.             }   
65.             sb.append(toStr).append(" ");   
66.   
67.         }   
68.         return sb.toString();   
69.     }   
70.   
71.     private static int findText(byte[] tableStream, int complexOffset, ArrayList text)   
72.         throws IOException {   
73.         //actual text   
74.         int pos = complexOffset;   
75.         int multiple = 2;   
76.         //skips through the prms before we reach the piece table. These contain data   
77.         //for actual fast saved files   
78.         while (tableStream[pos] == 1) {   
79.             pos++;   
80.             int skip = LittleEndian.getShort(tableStream, pos);   
81.             pos += 2 + skip;   
82.         }   
83.         if (tableStream[pos] != 2) {   
84.             throw new IOException("corrupted Word file");   
85.         } else {   
86.             //parse out the text pieces   
87.             int pieceTableSize = LittleEndian.getInt(tableStream, ++pos);   
88.             pos += 4;   
89.             int pieces = (pieceTableSize - 4) / 12;   
90.             for (int x = 0; x < pieces; x++) {   
91.                 int filePos =   
92.                     LittleEndian.getInt(tableStream, pos + ((pieces + 1) * 4) + (x * 8) + 2);   
93.                 boolean unicode = false;   
94.                 if ((filePos & 0x40000000) == 0) {   
95.                     unicode = true;   
96.                 } else {   
97.                     unicode = false;   
98.                     multiple = 1;   
99.                     filePos &= ~(0x40000000); //gives me FC in doc stream   
100.                     filePos /= 2;   
101.                 }   
102.                 int totLength =   
103.                     LittleEndian.getInt(tableStream, pos + (x + 1) * 4)   
104.                         - LittleEndian.getInt(tableStream, pos + (x * 4));   
105.   
106.                 WordTextPiece piece = new WordTextPiece(filePos, totLength, unicode);   
107.                 text.add(piece);   
108.   
109.             }   
110.   
111.         }   
112.         return multiple;   
113.     }   
114.     public static void main(String[] args){   
115.         WordExtractor w  = new WordExtractor();   
116.         POIFSFileSystem ps = new POIFSFileSystem();   
117.         try{   
118.                
119.             File file = new File("C://test.doc");   
120.                
121.             InputStream in = new FileInputStream(file);   
122.             String s = w.extractText(in);   
123.             System.out.println(s);   
124.        
125.                
126.         }catch(Exception e){   
127.             e.printStackTrace();   
128.         }   
129.                    
130.     }   
131.   
132. }   
133. class WordTextPiece {   
134.     private int _fcStart;   
135.     private boolean _usesUnicode;   
136.     private int _length;   
137.   
138.     public WordTextPiece(int start, int length, boolean unicode) {   
139.         _usesUnicode = unicode;   
140.         _length = length;   
141.         _fcStart = start;   
142.     }   
143.     public boolean usesUnicode() {   
144.         return _usesUnicode;   
145.     }   
146.   
147.     public int getStart() {   
148.         return _fcStart;   
149.     }   
150.     public int getLength() {   
151.         return _length;   
152.     }   
153.   
154. }  

public class WordExtractor {
	public WordExtractor() {
	}

	public String extractText(InputStream in) throws IOException {
		ArrayList text = new ArrayList();
		POIFSFileSystem fsys = new POIFSFileSystem(in);

		DocumentEntry headerProps = (DocumentEntry) fsys.getRoot().getEntry("WordDocument");
		DocumentInputStream din = fsys.createDocumentInputStream("WordDocument");
		byte[] header = new byte[headerProps.getSize()];

		din.read(header);
		din.close();
		// Prende le informazioni dall'header del documento
		int info = LittleEndian.getShort(header, 0xa);

		boolean useTable1 = (info & 0x200) != 0;

		//boolean useTable1 = true;
		
		// Prende informazioni dalla piece table
		int complexOffset = LittleEndian.getInt(header, 0x1a2);
		//int complexOffset = LittleEndian.getInt(header);
		
		String tableName = null;
		if (useTable1) {
			tableName = "1Table";
		} else {
			tableName = "0Table";
		}

		DocumentEntry table = (DocumentEntry) fsys.getRoot().getEntry(tableName);
		byte[] tableStream = new byte[table.getSize()];

		din = fsys.createDocumentInputStream(tableName);

		din.read(tableStream);
		din.close();

		din = null;
		fsys = null;
		table = null;
		headerProps = null;

		int multiple = findText(tableStream, complexOffset, text);

		StringBuffer sb = new StringBuffer();
		int size = text.size();
		tableStream = null;

		for (int x = 0; x < size; x++) {
			
			WordTextPiece nextPiece = (WordTextPiece) text.get(x);
			int start = nextPiece.getStart();
			int length = nextPiece.getLength();

			boolean unicode = nextPiece.usesUnicode();
			String toStr = null;
			if (unicode) {
				toStr = new String(header, start, length * multiple, "UTF-16LE");
			} else {
				toStr = new String(header, start, length, "ISO-8859-1");
			}
			sb.append(toStr).append(" ");

		}
		return sb.toString();
	}

	private static int findText(byte[] tableStream, int complexOffset, ArrayList text)
		throws IOException {
		//actual text
		int pos = complexOffset;
		int multiple = 2;
		//skips through the prms before we reach the piece table. These contain	data
		//for actual fast saved files
		while (tableStream[pos] == 1) {
			pos++;
			int skip = LittleEndian.getShort(tableStream, pos);
			pos += 2 + skip;
		}
		if (tableStream[pos] != 2) {
			throw new IOException("corrupted Word file");
		} else {
			//parse out the text pieces
			int pieceTableSize = LittleEndian.getInt(tableStream, ++pos);
			pos += 4;
			int pieces = (pieceTableSize - 4) / 12;
			for (int x = 0; x < pieces; x++) {
				int filePos =
					LittleEndian.getInt(tableStream, pos + ((pieces + 1) * 4) + (x * 8) + 2);
				boolean unicode = false;
				if ((filePos & 0x40000000) == 0) {
					unicode = true;
				} else {
					unicode = false;
					multiple = 1;
					filePos &= ~(0x40000000); //gives me FC in doc stream
					filePos /= 2;
				}
				int totLength =
					LittleEndian.getInt(tableStream, pos + (x + 1) * 4)
						- LittleEndian.getInt(tableStream, pos + (x * 4));

				WordTextPiece piece = new WordTextPiece(filePos, totLength, unicode);
				text.add(piece);

			}

		}
		return multiple;
	}
	public static void main(String[] args){
		WordExtractor w  = new WordExtractor();
		POIFSFileSystem ps = new POIFSFileSystem();
		try{
			
			File file = new File("C://test.doc");
			
			InputStream in = new FileInputStream(file);
			String s = w.extractText(in);
			System.out.println(s);
	
			
		}catch(Exception e){
			e.printStackTrace();
		}
				
	}

}
class WordTextPiece {
	private int _fcStart;
	private boolean _usesUnicode;
	private int _length;

	public WordTextPiece(int start, int length, boolean unicode) {
		_usesUnicode = unicode;
		_length = length;
		_fcStart = start;
	}
	public boolean usesUnicode() {
		return _usesUnicode;
	}

	public int getStart() {
		return _fcStart;
	}
	public int getLength() {
		return _length;
	}

}

write word

Java代码

1. public boolean writeWordFile(String path, String content) {   
2.     boolean w = false;   
3.     try {   
4.   
5.     //  byte b[] = content.getBytes("ISO-8859-1");   
6.         byte b[] = content.getBytes();   
7.            
8.         ByteArrayInputStream bais = new ByteArrayInputStream(b);   
9.   
10.         POIFSFileSystem fs = new POIFSFileSystem();   
11.         DirectoryEntry directory = fs.getRoot();   
12.   
13.         DocumentEntry de = directory.createDocument("WordDocument", bais);   
14.   
15.         FileOutputStream ostream = new FileOutputStream(path);   
16.   
17.         fs.writeFilesystem(ostream);   
18.            
19.         bais.close();   
20.         ostream.close();   
21.   
22.     } catch (IOException e) {   
23.         e.printStackTrace();   
24.     }   
25.   
26.     return w;   
27. }  

	public boolean writeWordFile(String path, String content) {
		boolean w = false;
		try {
	
		//	byte b[] = content.getBytes("ISO-8859-1");
			byte b[] = content.getBytes();
			
			ByteArrayInputStream bais = new ByteArrayInputStream(b);

			POIFSFileSystem fs = new POIFSFileSystem();
			DirectoryEntry directory = fs.getRoot();

			DocumentEntry de = directory.createDocument("WordDocument", bais);

			FileOutputStream ostream = new FileOutputStream(path);

			fs.writeFilesystem(ostream);
			
			bais.close();
			ostream.close();

		} catch (IOException e) {
			e.printStackTrace();
		}

		return w;
	}

写操作的代码还是有些问题:打开WORD时提示要选择字符类型
希望能改进!

当然这几个jar是少不了的
poi-2.5.1-final-20040804.jar
poi-contrib-2.5.1-final-20040804.jar
poi-scratchpad-2.5.1-final-20040804.jar