javaword图片.doc

从MS word文档获取图片
2010-07-18 19:47
本文包括如何用java从WORD文档获取图片和其他二进制嵌入式对象的演示
Microsoft 从office 2003开始支持将文档保存为XML. 图片则以二进制形式嵌入在XML文档中, 它使用BASE 64 编码.  MS Word 使用 w:binData 标签存储嵌入式二进制数据, 并使用伪协议wordml创建一个name属性. URI可以使一个带有文件类型扩展名的名字. 例如
<w:binData w:name="wordml://01000002.gif">
<w:binData w:name="wordml://03000001.png">
标签的内容是BASE64 编码的二进制数据. 没有其他标记来说明这个了,  就是嵌规则哈.
使用一个 SAX parser 就可以很方便地把图片数据解析出来.  看看下面的例子吧,  可以把二进制数据包括所有图片从WORD文档解析出来, 并存到文件里.
运行方法: java com.doylecentral.word.FileTester wordFile.xml outputDirectory
其中 FileTester 这个类用来提供一个简单的例子,  说明如何使用这些类, 看看它就明白怎么用了. 
写到文件系统里这一步是随意的, 也可以随时改主意, 送到数据库里去.
设计的思路如下:
  public class ImageExtractor {
   CharArrayWriter text = new CharArrayWriter();

   Map dataMap = new HashMap();

   int foundImages;

   public ImageExtractor() {
      //C
   }
   /**
    * InputStream is closed internally.
    * @param is
    * @throws IOException
    */
   public ImageExtractor(InputStream is) throws IOException {
      parseXmlFile(is, new ImageParseHandler() , false);
      is.close();
   }
   /**
    * Refuse to Validate against dtd.
    * @param is
    * @param handler
    * @param validating
    */
   private void parseXmlFile(InputStream is, DefaultHandler handler,
        boolean validating)
   {
      try
      {
        SAXParserFactory factory = SAXParserFactory.newInstance();
        factory.setValidating(validating);
        factory.newSAXParser().parse(is , handler);
      } catch (SAXException e)
      {
        // A parsing error occurred; the xml input is not valid
      } catch (ParserConfigurationException e)
      {
        //
      } catch (IOException e)
      {
        //
      }
   }

   private class ImageParseHandler extends DefaultHandler {

      private boolean inImage = false;

      private StringBuffer encodedDataSb = null;

      private String imageName;

      Locator locator;

      public void setDocumentLocator(Locator locator)
      {
        this.locator = locator;
      }

      public void characters(char[] chars, int start, int len)
           throws SAXException
      {
        if (inImage)
        {
           encodedDataSb.append(new String(chars, start, len));
        }

      }

      public void startElement(String uri, String localName, String qName,
           Attributes attributes) throws SAXException
      {
        text.reset();
        if (qName.equals("w:binData"))
        {
           imageName = attributes.getValue("w:name");
           if (imageName.endsWith(".png") || imageName.endsWith(".jpg"))
           {
              encodedDataSb = new StringBuffer();
              inImage = true;
           } else
           {
              inImage = false;
           }
           foundImages++;
        }
      }

      public void endElement(String uri, String localName, String qName)
           throws SAXException
      {
        if (qName.equals("w:binData") && inImage)
        {
           ByteArrayInputStream is = new ByteArrayInputStream(encodedDataSb.toString().getBytes());
           ByteArrayOutputStream baos = new ByteArrayOutputStream();
           ImageDecoder id = new ImageDecoder();
           id.decodeImage(is, baos);
           dataMap.put(imageName, baos.toByteArray());
           try
           {
              is.close();
              baos.close();
           } catch (IOException e)
           {
              // TODO Auto-generated catch block
              e.printStackTrace();
           }
           inImage = false;
        }
      }

   }

   public int getFoundImages()
   {
      return foundImages;
   }
   public Map getDataMap()
   {
      return dataMap;
   }
}
下面的代码用来处理Base64解码.  当然也可以改用 Jakarta Commons  Codec package 来做. classpath里别忘了添加GCJ.

public class ImageDecoder {

   public void decodeImage(InputStream is, OutputStream os)
   {
      BASE64Decoder decoder = new BASE64Decoder();
      try
      {
        decoder.decodeBuffer(is, os);
      } catch (IOException e)
      {
        // TODO Auto-generated catch block
        e.printStackTrace();
      }
   }
}