lucent检索技术之创建索引:使用POI读取txt/word/excel/ppt/pdf内容
在使用lucent检索文档时,必须先为各文档创建索引。索引的创建即读出文档信息(如文档名称、上传时间、文档内容等),然后再经过分词建索引写入到索引文件里。这里主要是总结下读取各类文档内容这一步。
一、之前做过一个小工具也涉及到读取word和excel内容,采用的是com组件的方式来读取。即导入COM库,引入命名空间(using Microsoft.Office.Interop.Word;using Microsoft.Office.Interop.Excel;),然后读代码如下:
读取word
public string readWORD(object filepath)
{
string filename = Convert.ToString(filepath);
Microsoft.Office.Interop.Word.Application wordapp = new Microsoft.Office.Interop.Word.Application();
object isreadonly = true;
object nullobj = System.Reflection.Missing.Value;
object missingValue = Type.Missing;
object miss = System.Reflection.Missing.Value;
object saveChanges = WdSaveOptions.wdDoNotSaveChanges;
Microsoft.Office.Interop.Word._Document doc = wordapp.Documents.Open(ref filename, ref nullobj, ref isreadonly);
string content = doc.Content.Text;
doc.Close(ref saveChanges, ref missingValue, ref missingValue);
wordapp.Quit(ref saveChanges, ref miss, ref miss);
wordapp = null;
return content;
}
读取excel
用COM读取excel代码,首先是启动excel程序打开工作表,然后取得工作表名,再读取单元格内容,比较繁琐,代码略。
另外,也可以采用OleDB读取EXCEL文件,即把excel作为一个数据库,读出内容返回datatable,代码:
public DataSet ExcelToDS(string Path)
{
string strConn = "Provider=Microsoft.Jet.OLEDB.4.0;" +"Data Source="+ Path +";"+"Extended Properties=Excel 8.0;";
OleDbConnection conn = new OleDbConnection(strConn);
conn.Open();
string strExcel = "";
OleDbDataAdapter myCommand = null;
DataSet ds = null;
strExcel="select * from [sheet1$]";
myCommand = new OleDbDataAdapter(strExcel, strConn);
ds = new DataSet();
myCommand.Fill(ds,"table1");
return ds;
} 对于EXCEL中的表即sheet([sheet1$])如果不是固定的可以使用下面的方法得到
string strConn = "Provider=Microsoft.Jet.OLEDB.4.0;" +"Data Source="+ Path +";"+"Extended Properties=Excel 8.0;";
OleDbConnection conn = new OleDbConnection(strConn);
DataTable schemaTable = objConn.GetOleDbSchemaTable(System.Data.OleDb.OleDbSchemaGuid.Tables,null);
string tableName=schemaTable.Rows[][].ToString().Trim();
读取ppt
public string readPPT(object filepath)
{
string file = filepath.ToString();
Microsoft.Office.Interop.PowerPoint.Application pa = new Microsoft.Office.Interop.PowerPoint.Application();
Microsoft.Office.Interop.PowerPoint.Presentation pp = pa.Presentations.Open(file, Microsoft.Office.Core.MsoTriState.msoTrue, Microsoft.Office.Core.MsoTriState.msoFalse, Microsoft.Office.Core.MsoTriState.msoFalse);
string content = "";
foreach (Microsoft.Office.Interop.PowerPoint.Slide slide in pp.Slides)
{
foreach (Microsoft.Office.Interop.PowerPoint.Shape shape in slide.Shapes)
content += shape.TextFrame.TextRange.Text.ToString();
}
pa.Quit();
pp.Close();
pa = null;
return content;
}
采用COM方式读取效率很低,而创建索引只需取得文档内容,也要求要快速高效获得要索引的文件内容。因此,COM读取不适用于创建索引。POI包含了各类文档所需的类,使用时只需添加相应的类,实现代码也简单,更重要的是能快速地取得文档内容。
二、采用POI
(1)首先下载POI包,在解决方案中通过“管理NuGet程序包”工具来下载;也可以到Apache官网下载。
(2)以下是POI读取各文档内容代码(包含读取txt、word、excel、ppt、pdf)。
/// <summary>
/// 读取各类文档内容
/// </summary>
/// <param name="filepath">文档路径</param>
/// <param name="filename">文档名称</param>
/// <returns></returns>
public string textToreader(string filepath, object filename)
{
string content = null;
FileInfo file = new FileInfo(filename.ToString());
switch (file.Extension.ToLower())
{
case ".txt":
content = readTXT(filepath);
break;
case ".doc":
content = readWORD(filepath);
break;
case ".docx":
content = readWORDX(filepath);
break;
case ".xls":
content = readEXCEL(filepath);
break;
case ".xlsx":
content = readEXCELX(filepath);
break;
case ".pdf":
content = readPDF(filepath);
break;
case ".ppt":
content = readPPT(filepath);
break;
}
return content;
} /// <summary>
/// 读取txt
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readTXT(string filepath)
{
StreamReader st = new StreamReader(filepath, Encoding.GetEncoding("gb2312"));
string content = st.ReadToEnd();
return content;
} /// <summary>
/// 读取word2003
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readWORD(string filepath)
{
FileInputStream fs = new FileInputStream(filepath);
HWPFDocument doc = new HWPFDocument(fs);
string content = doc.getDocumentText();
return content;
} /// <summary>
/// 读取word2007
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readWORDX(string filepath)
{
FileInputStream fs = new FileInputStream(filepath);
XWPFDocument XDocument = new XWPFDocument(fs);
XWPFWordExtractor doc = new XWPFWordExtractor(XDocument);
string content = doc.getText();
return content;
} /// <summary>
/// 读取excel2003
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readEXCEL(object filepath)
{
string filename = filepath.ToString();
FileStream fs = new FileStream(filename, FileMode.Open, FileAccess.Read, FileShare.ReadWrite);//读取流
POIFSFileSystem ps = new POIFSFileSystem(fs);
HSSFWorkbook hwb = new HSSFWorkbook(ps);
ExcelExtractor extractor = new ExcelExtractor(hwb);
extractor.FormulasNotResults = true;
extractor.IncludeSheetNames = true;
string content = extractor.Text;
return content;
} /// <summary>
/// 读取excel2007
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readEXCELX(string filepath)
{
//FileStream fs = new FileStream(filepath, FileMode.Open, FileAccess.Read, FileShare.ReadWrite);//读取流
FileInputStream fis = new FileInputStream(filepath);
//POIFSFileSystem ps = new POIFSFileSystem(fs);
XSSFWorkbook hwb = new XSSFWorkbook(fis);
XSSFExcelExtractor extractor = new XSSFExcelExtractor(hwb);
string content = extractor.getText();
return content;
} /// <summary>
/// 读取pdf
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readPDF(string filepath)
{
PDDocument doc = PDDocument.load(filepath);
PDFTextStripper pdfStripper = new PDFTextStripper();
string content = pdfStripper.getText(doc);
doc.close();
return content;
} /// <summary>
/// 读取ppt2003
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string readPPT(string filepath)
{
FileInputStream fs = new FileInputStream(filepath);
SlideShow ss = new SlideShow(new HSLFSlideShow(fs));
Slide[] slides = ss.getSlides();// 获得每一张幻灯片 string content = "";
for (int i = ; 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 = ; j < t.Length; j++)
{
content += t[j].getText();
}
}
return content;
}
注:不同版本的读取对应不同的POI接口程序。
Excel 文件: xls 格式文件对应 POI API 为 HSSF ; xlsx 格式为 office 2007 的文件格式,POI 中对应的API 为XSSF。
Word 文件:doc 格式文件对应的 POI API 为 HWPF; docx 格式为 XWPF。
powerPoint 文件:ppt 格式对应的 POI API 为 HSLF; pptx 格式为 XSLF。
三、使用POITextExtractor类可实现读取office2007兼容以上版本的文档代码:
/// <summary>
/// 读取word2007,excel2003/2007,ppt2003/2007
/// </summary>
/// <param name="filepath"></param>
/// <returns></returns>
public string ReadOfficeText(string filepath)
{
//docx 、pptx 、xlsx、 ppt 、xls
FileInputStream fs = new FileInputStream(filepath);
POITextExtractor extractor = ExtractorFactory.createExtractor(fs);
string text = extractor.getText();
return text;
}
但是不知什么原因采用这个方法读取word2003会报错,暂时先用着上面第二点中读取word2003的方法吧。
lucent检索技术之创建索引:使用POI读取txt/word/excel/ppt/pdf内容的更多相关文章
- Java操作word文档使用JACOB和POI操作word,Excel,PPT需要的jar包
可参考文档: http://wibiline.iteye.com/blog/1725492 下载jar包 http://download.csdn.net/download/javashixiaofe ...
- Java使用POI读取和写入Excel指南
Java使用POI读取和写入Excel指南 做项目时经常有通过程序读取Excel数据,或是创建新的Excel并写入数据的需求: 网上很多经验教程里使用的POI版本都比较老了,一些API在新版里已经废弃 ...
- Java使用POI读取和写入Excel指南(转)
做项目时经常有通过程序读取Excel数据,或是创建新的Excel并写入数据的需求: 网上很多经验教程里使用的POI版本都比较老了,一些API在新版里已经废弃,这里基于最新的Apache POI 4.0 ...
- 【MySQL】MySQL中针对大数据量常用技术_创建索引+缓存配置+分库分表+子查询优化(转载)
原文地址:http://blog.csdn.net/zwan0518/article/details/11972853 目录(?)[-] 一查询优化 1创建索引 2缓存的配置 3slow_query_ ...
- Java中使用POI读取大的Excel文件或者输入流时发生out of memory异常参考解决方案
注意:此参考解决方案只是针对xlsx格式的excel文件! 背景 前一段时间遇到一种情况,服务器经常宕机,而且没有规律性,查看GC日志发生了out of memory,是堆溢出导致的,分析了一下堆的d ...
- poi读取写入word【未完,待续】
, [项目实战]Java POI之Word导出经典案例一 Java POI 读取word文件 POI-对于WORD的操作(一)
- Java 使用Apache POI读取和写入Excel表格
1,引入所用的包 <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxm ...
- java使用org.apache.poi读取与保存EXCEL文件
一.读EXCEL文件 package com.ruijie.wis.cloud.utils; import java.io.FileInputStream; import java.io.FileNo ...
- zz阿里妈妈深度树检索技术(TDM)及应用框架的探索实践
分享嘉宾:何杰 阿里妈妈 高级算法专家 编辑整理:孙锴 内容来源:DataFun AI Talk 出品社区:DataFun 注:欢迎转载,转载请注明出处 导读:阿里妈妈是阿里巴巴集团旗下数字营销的大中 ...
随机推荐
- HTML DOM nodeName nodeValue
在javascript在,我们得title在标签和文本,它们通常要求这样做 var obj =document.getElementsById("id1"); obj.nodeNa ...
- T-SQL性能调整——信息收集
原文:T-SQL性能调整--信息收集 IO信息(自服务器启动开始) --Database IO analysis WITH IOFORDATABASE AS ( SELECT DB_NAME(VFS. ...
- java类和对象之间的差
java类和对象之间的差别是一个普遍的问题,刚开始学习java当它来到与类和对象接触.今天就来总结一下它们之间的差异. 先说说class和object差异.事实上,词:object是全部class的父 ...
- hdu 2067 兔子板
兔子板 Time Limit: 1000/1000 MS (Java/Others) Memory Limit: 32768/32768 K (Java/Others) Total Submis ...
- Session中StateServer的使用方法
最近项目中用到 Session的StateServer模式,我们知道sessionState有四种模式:off,inProc,StateServer,SqlServer. 而StateServer 是 ...
- 对java中classloader使用的一点理解(转)
先简单介绍下java的classloader,网上资料很多,就说点关键的. Java 中的类加载器大致可以分成两类,一类是系统提供的,另外一类则是由 Java 应用开发人员编写的.系统提供的类加载器主 ...
- Android Drawable绘图学习笔记(转)
如何获取 res 中的资源 数据包package:android.content.res 主要类:Resources Android SDK中的简介:Class for accessing an ap ...
- (大数据工程师学习路径)第二步 Vim编辑器----Vim快速入门
vim模式介绍 以下介绍内容来自维基百科Vim 从vi演生出来的Vim具有多种模式,这种独特的设计容易使初学者产生混淆.几乎所有的编辑器都会有插入和执行命令两种模式,并且大多数的编辑器使用了与Vim截 ...
- (大数据工程师学习路径)第一步 Linux 基础入门----环境变量与文件查找
环境变量与文件查找 本节介绍环境变量的作用与用法,及几种搜索文件的方法.学会这些技巧高效地使用 Linux. 一.环境变量 1.变量 要解释环境变量,得先明白变量是什么,准确的说应该是 Shell 变 ...
- thinkphp学习笔记2—入口文件
原文:thinkphp学习笔记2-入口文件 在thinkphp中有两个入口文件,一个是项目的入口文件,是index.php在主目录里面,还有一个是thinkphp框架的的入口文件,放在框架目录下面如: ...