Java POI解析Word提取数据存储在Excel

JavaPOI解析word提取数据到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。

https://github.com/zxiang179/POI

http://deepoove.com/poi-tl/#_why_poi_tl

主要是了解POI的数据调用的解析。

https://poi.apache.org/官方的文档API

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

<dependency><groupId>org.apache.poi</groupId><artifactId>poi</artifactId><version>3.17</version></dependency><dependency><groupId>org.apache.poi</groupId><artifactId>poi-ooxml</artifactId><version>3.17</version></dependency><dependency><groupId>org.apache.poi</groupId><artifactId>poi-scratchpad</artifactId><version>3.17</version></dependency><dependency><groupId>org.apache.poi</groupId><artifactId>ooxml-schemas</artifactId><version>1.1</version></dependency><dependency><groupId>org.apache.poi</groupId><artifactId>poi-ooxml-schemas</artifactId><version>3.17</version></dependency>

关键代码

public class GetWord {
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&&paratext2.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  run2run2=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 url = "www.abc.def.com.cn/123456 ";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。

Java爬虫&html解析-Jsoup(绿盟极光报告)(https://mp.weixin.qq.com/s?__biz=MzIyNjk0ODYxMA==&mid=2247483708&idx=1&sn=4734ff8b79069eef3d47b9f7eedca269&chksm=e869e251df1e6b471ac158e121b845ed0fe0d0a88fe7b16d8124db5180eb3b6d4091d1444f72&token=1606015301&lang=zh_CN#rd)

四、参考文献

https://github.com/zxiang179/POI

http://deepoove.com/poi-tl/#_why_poi_tl

https://poi.apache.org

公众号：

thelostworld：

个人知乎：https://www.zhihu.com/people/fu-wei-43-69/columns

个人简书：https://www.jianshu.com/u/bf0e38a8d400

Java POI解析Word提取数据存储在Excel相关推荐

poi 顺序解析word_JavaPOI解析word提取数据到excel
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wo ...
java POI对word中的表格动态插入固定数据，以及插入不确定数量的的数据
java POI对word中的表格动态插入固定数据,以及插入不具体的数据遇到个项目本来是用Execl导出的,相对简单,客户要求用Word导出,并按照他们给的模板进行导出: 从网上百度了一下,然后自己 ...
python读取word指定内容_python解析html提取数据，并生成word文档实例解析
简介今天试着用ptyhon做了一个抓取网页内容,并生成word文档的功能,功能很简单,做一下记录以备以后用到. 生成word用到了第三方组件python-docx,所以先进行第三方组件的安装.由于w ...
POI操作word填充数据，合并多个word为一个，遇到一些问题的解决
POI操作word填充数据,合并多个word为一个,遇到一些问题的解决最近搞一个向word模板中替换占位符填充数据,然后将多个word合并在一起的方法.网上一搜有很多资料,现在在这儿对过程中遇到的 ...
JAVA POI处理WORD
JAVA POI处理WORD 转载:http://w26.iteye.com/blog/974442 JavaApacheSVN 关键字:POI WORD HWPF WORD文本组成:文本.图.表和宏 ...
java poi 操作word遇到的问题
java poi 操作word文本,图表,遇到的问题直接上问题模板字段匹配问题图表问题图表导出问题:模板找不到对应图表问题:数据填充后效果不达目标图表中为零的数值去掉(!!!模板层面解决 ...
如何使用poi解析word生成html目录结构
POI解析word目录结构简介说明认识下Word 我们先看下doc版本的word 我们再看下docx版本的word(今天的主角) 目录解析的原理介绍写word文档时,我们是怎么设置目录? 我们看 ...
poi解析word中的表格
解析word简历,使用poi解析word表格研究记录如下: package poi;import java.io.File; import java.io.FileInputStream; impor ...
poi解析word文档(解析表格，emf,wmf,svg转jpg图片)
POI解析word文档 poi解析word的表格: 提前先准备需要的jar包: <dependency><groupId>org.a ...

Java POI解析Word提取数据存储在Excel

Java POI解析Word提取数据存储在Excel相关推荐

最新文章

热门文章