Java POI解析Word提取数据存储在Excel
一、了解POI
POI以前有了解，这次需求是解析word读取其中标题，还有内容赛选获取自己想要的内容
经过两天的学习，开始熟悉Java这么读取word和解析。
本文中运用是读取整个页面模块的range，通过对range里面的数据进行筛选，获取自己想要的数据。
主要是了解POI的数据调用的解析。
想要实现的效果
以下测试的IP或是域名都是随便找不同类型：IP+port /url/http://www.XXX.com/www.xxx.net:8080等等存在的url组合。
目前需求是抓取这个几个关键的内容。
二、POI解析word
maven添加jar依赖
全部的POI的依赖
org.apache.poi
poi
3.17
org.apache.poi
poi-ooxml
3.17
org.apache.poi
poi-scratchpad
3.17
org.apache.poi
ooxml-schemas
1.1
org.apache.poi
poi-ooxml-schemas
3.17
关键代码
public class GetWord1 {
public static void main(String[] args) {
try {
InputStream is = new FileInputStream(new File("path")); //需要将文件路更改为word文档所在路径。
POIFSFileSystem fs = new POIFSFileSystem(is);
HWPFDocument document = new HWPFDocument(fs);
Range range = document.getRange();
CharacterRun run1 = null;//用来存储第一行内容的属性
CharacterRun run2 = null;//用来存储第二行内容的属性
int q=1;
for (int i = 0; i < range.numParagraphs()-2; i++) {
Paragraph para1 = range.getParagraph(i);// 获取第i段
Paragraph para2 = range.getParagraph(i+1);// 获取第i段
int t=i; //记录当前分析的段落数
String paratext1 = para1.text(); //当前段落和下一段
String paratext2 = para2.text();
run1=para1.getCharacterRun(0);
run2=para2.getCharacterRun(0);
if (paratext1.length() > 0&¶text2.length() > 0) {
//这个if语句为的是去除大标题，连续三个段落字体大小递减就跳过
if(run1.getFontSize()>run2.getFontSize()&&run2.getFontSize()>range.getParagraph(i+2).getCharacterRun(0).getFontSize()) {
break;
}
//连续两段字体格式不同
if(run1.getFontSize()>run2.getFontSize()) {
content=paratext2;
run1=run2; //从新定位run1 run2
run2=range.getParagraph(t+2).getCharacterRun(0);
t=t+1;
while(run1.getFontSize()==run2.getFontSize()) {
//连续的相同
Content+=range.getParagraph(t+1).text();
if(content.matches("是否系统自身渗透结果")) break;
if(content.contains(":")||content.contains("/")){//如果是http或者是IP+端口形式
word.setName(getDomain(content));//ip
}else{//纯IP形式
word.setName(content);//ip
}
word.setAsset_name(paratext1);//标题
run1=run2;
run2=range.getParagraph(t+i).getCharacterRun(0);
t++;
……..
}
………
}
if(paratext1.matches("中危")||paratext1.matches("很高")||paratext1.matches("低危")){
list2.add(paratext1);
}
}
}
if(word1.getAsset_name()==wordname.getAsset_name())){
…..
wordend.setId(num);
wordend.setName(word1.getName());
wordend.setAsset_name(word1.getAsset_name());
if(wordname.getAvailability_assignment().equals("很高")){
wordend.setAvailability_assignment("5");
}
if(wordname.getAvailability_assignment().equals("高危")){
wordend.setAvailability_assignment("4");
}
if(wordname.getAvailability_assignment().equals("中危")){
wordend.setAvailability_assignment("3");
}
if(wordname.getAvailability_assignment().equals("低危")){
wordend.setAvailability_assignment("2");
}
wordend.setRisk("网络攻击");
wordmax.add(wordend);
num++;
……
}
}
}
System.out.println("------------------Finished-详情查看-中间文档转excel.xlsx------------------");
//Excel无模版导出
ExcelUtil.getInstar ().exportl(wordmax, Word.class, "中间文档转excel.xlsx");
} catch (Exception e) {
e.printStackTrace();
}
}
} }
其中有URl获取IP或者Domain
public class Test{
public static void main(String[] args){
String url1 = "192.168.1.100/admin";
System.out.println(getDomain(url));
System.out.println(getDomain(url1));
}
private static String getDomain(String url){
String regex = "^(?:[a-zA-Z]+[.])?(\\w+([.]\\w+)*)/.*$";
Matcher matcher = Pattern.compile(regex).matcher(url);
String result = null;
if(matcher.find()){
result = matcher.group(1);
}
return result;
}
}
运行结果：
完整的测试数据
输出到excel
GUI界面化数据操作完成和输出excel
三、总结
1、接触POI三天左右，主要是通过对文档的整个的range遍历获取数据，再通过自己的不同数据的需求进行筛选和数据处理。
2、相比HTml获取数据java获取word解析里面的数据更加的难一些，html里面有标签，可以通过操作js、css、html的标签来实现数据的获取，但是word没有特定的标签去获取，这个只能通过遍历，对比文本的大小、文本的字体等等相关信息。
3、这次word解析，结合上次的html的解析获取数据，对应java的操作不同的类型的文件流有了新的认识。
四、参考文献
公众号：
thelostworld：
？)
