言葉：
org.apache.lucene.document.Document をインポートします。
org.apache.lucene.document.Field をインポートします。
org.apache.poi.hwpf.extractor.WordExtractor をインポートします。
java.io.ファイルをインポートします。
java.io.InputStreamをインポートします。
java.io.FileInputStreamをインポートします。
com.search.code.Index をインポートします。
public Document getDocument(Index インデックス、文字列 URL、文字列タイトル、InputStream is) throws DocCenterException {
文字列 bodyText = null;
試す {
WordExtractor ex = new WordExtractor(is);//is は WORD 文書のInputStream
bodyText = ex.getText();
if(!bodyText.equals("")){
Index.AddIndex(url, title, bodyText);
}
}catch (DocCenterException e) {
throw new DocCenterException("無法从该Mocriosoft Word文档中提取内容", e);
}catch(例外 e){
e.printStackTrace();
}
}
null を返します。
}
エクセル：
org.apache.lucene.document.Document をインポートします。
org.apache.lucene.document.Field をインポートします。
org.apache.poi.hwpf.extractor.WordExtractor をインポートします。
org.apache.poi.hssf.usermodel.HSSFWorkbook をインポートします。
org.apache.poi.hssf.usermodel.HSSFSheet をインポートします。
org.apache.poi.hssf.usermodel.HSSFRow をインポートします。
org.apache.poi.hssf.usermodel.HSSFCell をインポートします。
java.io.ファイルをインポートします。
java.io.InputStreamをインポートします。
java.io.FileInputStreamをインポートします。
com.search.code.Index をインポートします。
public Document getDocument(Index インデックス、文字列 URL、文字列タイトル、InputStream is) throws DocCenterException {
StringBuffer コンテンツ = new StringBuffer();
試す{
HSSFWorkbook workbook = new HSSFWorkbook(is);//创建对Excel工作簿ファイルの引用
for (int numSheets = 0; numSheets < workbook.getNumberOfSheets(); numSheets++) {
if (null != workbook.getSheetAt(numSheets)) {
HSSFSheet aSheet = workbook.getSheetAt(numSheets);//获得 1 シート
for (int rowNumOfSheet = 0; rowNumOfSheet <= aSheet.getLastRowNum(); rowNumOfSheet++) {
if (null != aSheet.getRow(rowNumOfSheet)) {
HSSFRow aRow = aSheet.getRow(rowNumOfSheet); //获得一行
for (short cellNumOfRow = 0; cellNumOfRow <= aRow.getLastCellNum(); cellNumOfRow++) {
if (null != aRow.getCell(cellNumOfRow)) {
HSSFCell aCell = aRow.getCell(cellNumOfRow);//获得列值
content.append(aCell.getStringCellValue());
}
}
}
}
}
}
if(!content.equals("")){
Index.AddIndex(url, title, content.toString());
}
}catch (DocCenterException e) {
throw new DocCenterException("無法从该Mocriosoft Word文档中提取内容", e);
}catch(例外 e) {
System.out.println("已运行xlRead() : " + e );
}
null を返します。
}
パワーポイント：
java.io.InputStreamをインポートします。
org.apache.lucene.document.Document をインポートします。
org.apache.poi.hslf.HSLFSlideShow をインポートします。
org.apache.poi.hslf.model.TextRun をインポートします。
org.apache.poi.hslf.model.Slide をインポートします。
org.apache.poi.hslf.usermodel.SlideShow をインポートします。
public Document getDocument(インデックスインデックス、文字列URL、文字列タイトル、InputStreamは)
DocCenterException をスローします {
StringBuffer コンテンツ = new StringBuffer("");
試す{
SlideShow ss = new SlideShow(new HSLFSlideShow(is));//は文件のInputStream，建立SlideShowです
Slide[] slides = ss.getSlides();//获得每一张幻灯片
for(int i=0;i<slides.length;i++){
TextRun[] t = slides[i].getTextRuns();//幻灯片の文字内容を取得するため、TextRun を建立します
for(int j=0;j<t.length;j++){
content.append(t[j].getText());//この里会では文字コンテンツをコンテンツ中に追加しました
}
content.append(slides[i].getTitle());
}
Index.AddIndex(url, title, content.toString());
}catch(例外例){
System.out.println(ex.toString());
}
null を返します。
}
PDF:
java.io.InputStreamをインポートします。
インポート java.io.IOException;
org.apache.lucene.document.Document をインポートします。
org.pdfbox.cos.COSDocument をインポートします。
org.pdfbox.pdfparser.PDFParser をインポートします。
org.pdfbox.pdmodel.PDDocument をインポートします。
org.pdfbox.pdmodel.PDDocumentInformation をインポートします。
org.pdfbox.util.PDFTextStripper をインポートします。
com.search.code.Index をインポートします。
public Document getDocument(Index インデックス、文字列 URL、文字列タイトル、InputStream is)throws DocCenterException {
COSDocument cosDoc = null;
試す {
cosDoc = parseDocument(is);
} キャッチ (IOException e) {
closeCOSDocument(cosDoc);
throw new DocCenterException("無法处理该PDF文档", e);
}
if (cosDoc.isEncrypted()) {
if (cosDoc != null)
closeCOSDocument(cosDoc);
throw new DocCenterException("该PDF文档是加密文档，無法处理");
}
文字列docText = null;
試す {
PDFTextStripper ストリッパー = new PDFTextStripper();
docText = ストリッパー.getText(新しい PDDocument(cosDoc));
} キャッチ (IOException e) {
closeCOSDocument(cosDoc);
throw new DocCenterException("無法处理该PDF文档", e);
}
PDDocument pdDoc = null;
試す {
pdDoc = 新しい PDDocument(cosDoc);
PDDocumentInformation docInfo = pdDoc.getDocumentInformation();
if(docInfo.getTitle()!=null && !docInfo.getTitle().equals("")){
タイトル = docInfo.getTitle();
}
} catch (例外 e) {
closeCOSDocument(cosDoc);
closePDDocument(pdDoc);
System.err.println("無法取得PDF文档的元データ" + e.getMessage());
} ついに {
closeCOSDocument(cosDoc);
closePDDocument(pdDoc);
}
null を返します。
}
private static COSDocument parseDocument(InputStream is) throws IOException {
PDFParser パーサー = 新しい PDFParser(is);
パーサー.parse();
戻り parser.getDocument();
}
private void closeCOSDocument(COSDocument cosDoc) {
if (cosDoc != null) {
試す {
cosDoc.close();
} キャッチ (IOException e) {
}
}
}
private void closePDDocument(PDDocument pdDoc) {
if (pdDoc != null) {
試す {
pdDoc.close();
} キャッチ (IOException e) {
}
}
}
代暗号制の可能性があります、代価を通さない、绝对能用、POI は 3.0-rc4、PDFBOX は 0.7.3
POI: http://jakarta.apache.org/poi/index.html
PDFBOX: http://www.pdfbox.org/