wordExtractor(poi)

注意

来源:https://www.iteye.com/topic/24352
官方解释:“Document with 2-byte > characters (that's how Chinese characters > are probably stored) are not correctly > handled by HWPF.”One more thing you > need to consider: HWPF cannot handle > "fast saved" Word files. If the documents > you need to parse are "fast saved" this > adds an extra level of complexity.

代码

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;
    }

}

结果

没有任何文字成功解析

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 214,128评论 6 493
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,316评论 3 388
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 159,737评论 0 349
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,283评论 1 287
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,384评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,458评论 1 292
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,467评论 3 412
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,251评论 0 269
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,688评论 1 306
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,980评论 2 328
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,155评论 1 342
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,818评论 4 337
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,492评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,142评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,382评论 1 267
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,020评论 2 365
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,044评论 2 352

推荐阅读更多精彩内容