急，高手指教，用poi来解析.doc,docx,rtf,txt

[无所事事的猫]

想实现解析简历功能，用poi来解析.doc,docx,rtf,txt。
但是要过滤出来一些信息，像name,tel,email,address这些信息.(简历全是英文的)
请问大家有什么好方法、好的思路吗？？
都好长时间了，一直没有想出什么好方法来实现，请高手指教。，谢谢~

[yqsshr]

解析word很简单，我给楼主贴一个，就是不知道怎么过滤

package com.psp.util;

import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
import java.io.InputStream;
import java.util.ArrayList;

import org.apache.poi.poifs.filesystem.DocumentEntry;
import org.apache.poi.poifs.filesystem.DocumentInputStream;
import org.apache.poi.poifs.filesystem.POIFSFileSystem;
import org.apache.poi.util.LittleEndian;

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();
		int info = LittleEndian.getShort(header, 0xa);

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

		int complexOffset = LittleEndian.getInt(header, 0x1a2);
		
		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("E:\\资料\\相关问题和论文.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;
	}

}

俺不太懂，帮楼主顶一下。

[无所事事的猫]

谢谢1楼的热情帮助。不过我这一步也已经实现了。现在的问题就是过滤，从里面得到那些信息。
简历的模板也有好多种，不是固定的。很头疼

[无所事事的猫]

谢谢，我正在试朋友们给我提供的方法。非常感谢

[bigpretty]

我没有用过poi,但是我在做一个解析程序,其实很简单,就是对你现在的文挡进行全文浏览,然后用正则表达式对其匹配,匹配出你需要的内容,然后存储就可以了.希望可以帮到lz!

[czp3158]

我也期待着有能看到相关的介绍！

[老张-AI]

给楼主找的一个例子

POI是Apache的一个开源项目，可以到Apache网站下载相应的jar包文件，及其源文件。

POI提供了提取一些非TXT文本中文本内容的API，比如提取Word，Excel等，使用起来非常方便。

为了说明POI提起Word文件的方便和简单，通过提取一个Word文件的文本来，来了解POI API的功能。

假设在本地磁盘中存在一个Word文件

E:\POI\word\JBoss3.0 下配置和部署EJB简介.doc文件是具有格式的，内容如图所示：


下面看看提取它的内容是多么简单。

首先从Apache网站上下载POI的相关jar包。

新建一个测试类：

package org.shirdrn.word;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.apache.poi.hwpf.extractor.WordExtractor;

public class MyWordExtractor {

public static void main(String[] args) {
   File file = new File("E:\\POI\\word\\JBoss3.0 下配置和部署EJB简介.doc");
   try {
    FileInputStream fis = new FileInputStream(file);
    WordExtractor wordExtractor = new WordExtractor(fis);
    System.out.println("【 使用getText()方法提取的Word文件的内容如下所示：】");
    System.out.println(wordExtractor.getText());
   } catch (FileNotFoundException e) {
    e.printStackTrace();
   } catch (IOException e) {
   e.printStackTrace();
}
}
}

提取Word文件的文本内容，打印到控制台上，如下所示：

使用WordExtractor类的getTextFromPieces()方法提取：

wordExtractor.getTextFromPieces();

结果和上面是一样的。

WordExtractor类还有一个可以提取Word文件的各个段落的方法getParagraphText()，返回一个String[]数组，数组中每个元素为一个段的文本内容。

这里，对Word文件中换行也看成是一个段，测试如下：

package org.shirdrn.word;

import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;

import org.apache.poi.hwpf.extractor.WordExtractor;

public class MyWordExtractor {

public static void main(String[] args) {
   File file = new File("E:\\POI\\word\\JBoss3.0 下配置和部署EJB简介.doc");
   try {
    FileInputStream fis = new FileInputStream(file);
    WordExtractor wordExtractor = new WordExtractor(fis);
    System.out.println("【 使用getText()方法提取的Word文件的内容如下所示：】");
    String[] paragraph = wordExtractor.getParagraphText();
    System.out.println("该Word文件共有"+paragraph.length+"段。");
    for(int i=0;i<paragraph.length;i++){
     System.out.println("< 第 "+(i+1)+" 段的内容为 >");
     System.out.println(paragraph[i]);
    }
   } catch (FileNotFoundException e) {
    e.printStackTrace();
   } catch (IOException e) {
   e.printStackTrace();
}
}
}

提取Word文件的文本内容，打印到控制台上，如下所示：

从上面的Word文件可以看出，最后一行是Word文件的一个换行符，使用WordExtractor提取时，也把它默认成为一个段，因为一个段结束后应该有一个回车换行符。

如果有多个Word文件，而且放在不同的目录下，要提取它们的文本内容，可以实现一个递归的函数，通过深度遍历，为每一个Word文件进行提取。

如果需要，可以将提取到的Word文件的文本内容输出到本地磁盘中，比如以txt记事本的根式保存。

从上面可以看出，提取Word文件的文本内容，实际上是将Word文件的格式去掉了，获取到文本的内容。

[meadking]

提取字符串:正则过滤,
或者按照格式提取...

[zhengpeiyong]

除了字符串匹配，想不到有什么简洁精确的办法了

[movingchina]

只能是一行一行读取，匹配字符串。

[treedesert]

收藏下，遇到相同的问题，但文本格式这块怎么也得不到。

[javaxyf]

请问，楼主，解析rtf ，获取rtf 内容成功了吗？