extraire texte word

Version imprimable

extraire texte word

Bonjour

Je viens d'essayer d'extraire du texte grâce à POI, ça ne fait que 2 mois que je fais du java mais j'ai un peu taté quelques heures l'api...
Cependant j'ai une erreur con , j'ai des petits carrés à la place de mes sauts de ligne et je dois bientot rendre mon projet :cry:

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
else if(telecharger.letype.equals("application/msword"))
                        {
                         progressinfo.setString("parsage du lien"+a+" google ("+telecharger.lenght+" caracteres)");
                         try{
                           WordDocument ledoc = new WordDocument(nomtraitement);
                           Writer out = new OutputStreamWriter(lien = new FileOutputStream(path+"/"+"google ("+langagechoisi+")/"+"lien"+a+".txt"));
                           ledoc.writeAllText(out);
                           String tmp=out.toString();
                           // tmp=tmp.replaceAll("","\n\r");
                           out.flush(); 
                           out.close(); 
                           metabalise.close();
                        }catch(Exception exception){}
                        //  monparser.texteparse = "fichier word identifié \r\n";
                       }

Voili voilou j'en suis assez fiere vu que je trouve aucune source qui marche pour extraire du texte d'un fichier word :aie:

29/09/2006, 08h39
sinok

mets des "\r\n" au lieu de "\n\r"
29/09/2006, 12h07
cterra

C'est pas le probleme, j'arrive même pas à les identifier dans mon buffer, et sinon je me suis dis qu'il doit bien y avoir un type de buffer qui gére ça , j'ai déja eut ce probléme en téléchargeant des fichiers, finalement je me suis servit de la fonction readline() d'un Bufferreader.
Mais la je séche, je comprend pas comment java gére sa mémoire et le pourquoi du comment de ces sauts de lignes, sinon c'est vrai que j'ai essayé de remplacer ces petits carrés avec un replaceall, mais quand je colle le petit carré dans eclipse c'est un saut de ligne ... de quoi devenir fou ... :roll:
29/09/2006, 12h31
moritan
J'ai fait une petite appli qui devait extraire des donnée d'un word.
en utilisant
Code:

1 2 WordExtractor extractor = new WordExtractor(is); String text = extractor.getText().replace('\n', ' ').replace('\r', ' ').trim(
Je n'avais plus de problème.
29/09/2006, 13h15
cterra

Il manque la fin de ton code , je ne me suis jamais servi de trim.
Et je n'ai pas la fonction getText() pour mes wordDocuments, je pense qu'elle est dans hpwf mais je ne l'ai pas trouvé dans
- poi-2.5.1-final-20040804.jar
- poi-contrib-2.5.1-final-20040804.jar
- poi-scratchpad-2.5.1-final-20040804.jar

Donc je crois qu'il me reste 2 solutions , ou
- trouver cette classe hwpf et deduire la fin de ton code
- ou ce que je demandais virer les petits carrés en les identifiant dans mon code ou en les traitant par des buffers différents que je ne connais pas ...

:cry:
29/09/2006, 13h54
moritan

Citation:

Envoyé par cterra

Il manque la fin de ton code , je ne me suis jamais servi de trim.
Et je n'ai pas la fonction getText() pour mes wordDocuments, je pense qu'elle est dans hpwf mais je ne l'ai pas trouvé dans
- poi-2.5.1-final-20040804.jar
- poi-contrib-2.5.1-final-20040804.jar
- poi-scratchpad-2.5.1-final-20040804.jar

Donc je crois qu'il me reste 2 solutions , ou
- trouver cette classe hwpf et deduire la fin de ton code
- ou ce que je demandais virer les petits carrés en les identifiant dans mon code ou en les traitant par des buffers différents que je ne connais pas ...

:cry:

Après je ne fait que des manipulation sur la string text donc tu à tout mon code pour la partie extraction du text de word.
J'utilise la version 3.0, ce qui explique peut-être que tu n'a pas les même classes que moi

trim() ne sert qu'a supprimer les espace au début et à la fin d'une chaine.

en relisant ton code j'ai l'impression que tu as inversé les arguments de ton replaceAll()
replaceAll que j'ai dans mons code sous la forme .replace('\n', ' ').replace('\r', ' ')
29/09/2006, 14h28
cterra

je viens de mettre à jour :
- poi-3.0-alpha2-20060616.jar
- poi-contrib-3.0-alpha2-20060616.jar
- poi-scratchpad-3.0-alpha2-20060616.jar

Mais la classe WordExtractor n'est pas dedans ... c'est bien ce que je pense elle est dans "org.apache.poi.hwpf.extractor.WordExtractor" mais je ne sais pas ou la trouver ...
29/09/2006, 14h48
moritan

Citation:

Envoyé par cterra

je viens de mettre à jour :
- poi-3.0-alpha2-20060616.jar
- poi-contrib-3.0-alpha2-20060616.jar
- poi-scratchpad-3.0-alpha2-20060616.jar

Mais la classe WordExtractor n'est pas dedans ... c'est bien ce que je pense elle est dans "org.apache.poi.hwpf.extractor.WordExtractor" mais je ne sais pas ou la trouver ...

J'ai les même jars, donc tu as forcément la classe org.apache.poi.hwpf.extractor.WordExtractor

Exact ça y était je craque 8O
J'ai du faire le import , mais je sais pas d'habitude quand j'utilise les externals jar j'avais pas l'impression de le faire ... bref
ça marche pas :aie:
Code:

1 2 3 4 5 6 File rapport =new File(nomtraitement); FileInputStream istream; istream = new FileInputStream(rapport); WordExtractor extractor = new WordExtractor(istream); monparser.texteparse = extractor.getText().replace('\n', ' ').replace('\r', ' ');
texteparse est écrit dans un fichier par la suite grace a la méthode "getbyte()"
Mais j'ai encore plus de petit carré avec "replace('\n', ' ').replace('\r', ' ')"

je deviens fou :(

29/09/2006, 20h31
cterra

Les carrés ne sont pas des '\n' ou des 'r', j'ai essayé , ils sont bien traduis désormais.
je ne sais pas comment identifié ces carractères "", mais j'aimerai bien savoir si quelqun à le même problème que moi que je sache si c'est la fiabilité de hwpf qui est en cause ou si j'ai une erreur dans mon code que je peux corriger ...
Et j'aimerai savoir si il y a des mises à jour disponibles pour la classe WordExtractor qui n'est apparement pas une version aboutie (même si apparement le .jar date du 16 juin ...)
30/09/2006, 03h05
sinok

La lecture des fichiers word par POI n'est pas franchement opérationelle^, et le projet n'est plus vraiment maintenu par manque de temps des dev et XXX autres raisons, donc il ne faut pas espérer avoir quelque chose d'utilisable en prod ^^
30/09/2006, 11h39
cterra

Est-ce qu'il existe un projet plus fiable que POI (hwpf) même sous licence propriétaire ?

http://schmidt.devlib.org/java/libraries-word.html

j'ai trouvé ce lien, mais je n'arrive pas à en savoir bcp plus, car apparement POI traite bien les documents word jusque word 2002.
Les autres projets sont ils fiables ?
30/09/2006, 13h24
sinok

Passer par le sdk OpenOffice pour converir ton word en odt et le manipuler à ta guise avec le sdk....
29/11/2006, 14h36
Christophe P.

Où avez-vous récupéré ce HWPF ? Je ne l'ai pas trouvé dans la release (2.5.1) ni dans la version 3.0 alpha.