Jakata Poi项目简介.pptxVIP

Jakata Poi项目简介;1.POI及其子项目 2.POI抽取文档内容实例分析 3.POI与XDOC关系;项目起源;POIFS;HSSF;HWPF;HSLF;HPSF;HWPF与WORLD文件格式;一个word文件主要包括文本内容和关于文本格式信息的数据结构。HSWF读word文件的入口是FIB(File Information Block)。 FIB位于main stream的开头。 通过调用OleDocument对象的下面两个函数来给上面的流赋值，然后再进行其它处理 ReadDirectoryEntry(DirectoryEntry dirEntry, String prefix); ReadDocumentEntry(DocumentEntry docEntry, String prefix); ;文本：文本也在main stream中。它的开始位置和长度分别在FIB.fcMin和FIB.ccpText中给出.这两个值为unicode编码。因为有些unicode文本可能与ascii文本混合在一起，所以引入了piece table来区分uncode片(piece)和非unicode 片。 文本格式： 所有的文本格式都建立在样式表里的各种样式的基础上。Stylesheet是一个包含样式描述符和其它东西的数据结构。每个样式描述符可以包括一个段落的样式和一个字符的样式或者仅仅只包括一个字符的样式。Nil样式是一个带有隐藏值的图像样式。;HPSF与文档属性;以一个Word文档为例：虽然在资源管理器中只看到一个叫做MyFile.doc的文档，其实在这个文档的内部，又包含了一个 WordDocument、summaryInformation和DocumentSummaryInformation等文档。 WordDocument包含了Word的文本，文档的属性保存在SummaryInformation和DocumentSummaryInformation流里面。也许将所有属性保存在单个文档里面看起来太简单了，所以Microsoft决心要使用两个流。;2.POI抽取文本内容的实例;POI与XDOC关系;XDOC中的jar包按文件格式分类;Xdoc利用POI来提取word,excel,ppt文档里的内容，包括文本，图像，文档属性等信息，然后生成ppxml文件。 Xdoc利用Batik,jfor分别提取pdf和rtf文档的内容，生成ppxml Xdoc通过jai来缩放抽取的图像 Xdoc通过fop来生成pdf文件 ;FOP项目简介;参考资料;