lucene解决全文检索word2003，word2007的办法
在上一篇文章中 ，lucene只能全文检索word2003，无法检索2007，并且只能加载部分内容，无法加载全文内容。为解决此问题，找到了如下方法
POI 读取word (word 2003 和 word 2007)
最近在给客户做系统的时候，用户提出需求，要能够导入 word 文件，现在 microsoft word 有好几个版本 97、2003、2007的，这三个版本存储数据的格式上都有相当大的差别，而现在 97 基本上已经退出市场，几乎没有人用这个版本了， 所以在我们的系统中只考虑 2003 版本和 2007 版本的，因为我们只要求能够读取 word 中的文字内容即可，其中的文字样式、图片等信息可以忽略，也不用直接操作 word 文件， 所以我们选择 用 apache 的 POI 进行读取。
读取 2003 版本(.doc)的word文件相对来说比较简单，只需要 poi-3.5-beta6-20090622.jar 和 poi-scratchpad-3.5-beta6-20090622.jar 两个 jar 包即可， 而 2007 版本(.docx)就麻烦多，我说的这个麻烦不是我们写代码的时候麻烦，是要导入的 jar 包比较的多，有如下 7 个之多：
1. openxml4j-bin-beta.jar
2. poi-3.5-beta6-20090622.jar
3. poi-ooxml-3.5-beta6-20090622.jar
4 .dom4j-1.6.1.jar
5. geronimo-stax-api_1.0_spec-1.0.jar
6. ooxml-schemas-1.0.jar
7. xmlbeans-2.3.0.jar
其中 4-7 是 poi-ooxml-3.5-beta6-20090622.jar 所依赖的 jar 包（在 poi-bin-3.5-beta6-20090622.tar.gz 中的 ooxml-lib 目录下可以找到）。
编写代码之前我们得先下载所需要的 jar 包， 我们只需下载 poi-bin-3.5-beta6-20090622.tar.gz 和 openxml4j-bin-beta.jar 即可，因为所需要的其他 jar 包都能在 poi-bin-3.5-beta6-20090622.tar.gz 中找到, 下面是下载地址：
poi-bin-3.5-beta6-20090622.tar.gz：http://apache.etoak.com/poi/dev/bin/poi-bin-3.5-beta6-20090622.tar.gz
openxml4j-bin-beta.jar：http://mirror.optus.net/sourceforge/o/op/openxml4j/openxml4j-bin-beta.jar
下方是读取 word 文件的 Java 代码，值得注意的是： POI 在读取 word 文件的时候不会读取 word 文件中的图片信息， 还有就是对于 2007 版的 word(.docx), 如果 word 文件中有表格，所有表格中的数据都会在读取出来的字符串的最后。
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;
import org.apache.poi.POIXMLDocument;
import org.apache.poi.POIXMLTextExtractor;
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.openxml4j.opc.OPCPackage;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
/**
* POI 读取 word 2003 和 word 2007 中文字内容的测试类<br />
* @createDate 2009-07-25
* @author Carl He
*/
public class Test {
public static void main(String[] args) {
try {
//word 2003： 图片不会被读取
InputStream is = new FileInputStream(new File("c://files//2003.doc"));
WordExtractor ex = new WordExtractor(is);
String text2003 = ex.getText();
System.out.println(text2003);
//word 2007 图片不会被读取， 表格中的数据会被放在字符串的最后
OPCPackage opcPackage = POIXMLDocument.openPackage("c://files//2007.docx");
POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
String text2007 = extractor.getText();
System.out.println(text2007);
} catch (Exception e) {
e.printStackTrace();
}
}
}
找到方法后，我们对上一篇文章indexer.java的源码进行更改，新增函数getDocument2007（），getDocument2003（）
本版本lucene是4.9
public static Document getDocument2007(File file) throws Exception {
String docPath = file.getAbsolutePath();
String title = file.getName();
// 鍒涘缓Document
Document document = new Document();
OPCPackage opcPackage = POIXMLDocument.openPackage(docPath);
POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
String cont = extractor.getText();
document.add(new StringField("filename", title, Field.Store.YES));//TOKENIZED
//document.add(new Field("contents", contents));
document.add(new TextField("contents", cont,Field.Store.YES));
document.add(new TextField("path", docPath, Field.Store.YES));
document.add(new StringField("indexDate",DateTools.dateToString(new Date(), DateTools.Resolution.DAY),
Field.Store.YES));
return document;
}
public static Document getDocument2003(File file) throws Exception {
String docPath = file.getAbsolutePath();
String title = file.getName();
// 鍒涘缓Document
Document document = new Document();
InputStream is = new FileInputStream(new File(docPath));
WordExtractor ex = new WordExtractor(is);//is鏄疻ORD鏂囦欢鐨処nputStream
String cont = ex.getText();
document.add(new StringField("filename", title, Field.Store.YES));//TOKENIZED
document.add(new TextField("contents", cont,Field.Store.YES));
document.add(new TextField("path", docPath, Field.Store.YES));
document.add(new StringField("indexDate",DateTools.dateToString(new Date(), DateTools.Resolution.DAY),
Field.Store.YES));
return document;
}
同时修改for循环中的读取文件
if(files[i].getName().endsWith(".doc")){
doc = getDocument2003(files[i]);
}else if(files[i].getName().endsWith(".docx")){
doc = getDocument2007(files[i]);
}
