]> source.dussan.org Git - poi.git/commitdiff
Various new bits of documentation on embeded files and text extraction
authorNick Burch <nick@apache.org>
Sun, 13 Apr 2008 13:16:36 +0000 (13:16 +0000)
committerNick Burch <nick@apache.org>
Sun, 13 Apr 2008 13:16:36 +0000 (13:16 +0000)
git-svn-id: https://svn.apache.org/repos/asf/poi/trunk@647567 13f79535-47bb-0310-9956-ffa450edef68

src/documentation/content/xdocs/book.xml
src/documentation/content/xdocs/poifs/book.xml
src/documentation/content/xdocs/poifs/embeded.xml [new file with mode: 0644]
src/documentation/content/xdocs/text-extraction.xml [new file with mode: 0644]

index e8e6eb6741a8463a77469735e1646a28d51fb3d2..ab1af452e8cc9ff0a491d604a75d631559c8bd7a 100644 (file)
@@ -43,6 +43,7 @@
         <menu-item label="HDGF" href="hdgf/index.html"/>
                <menu-item label="POI-Ruby" href="poi-ruby.html"/>
         <menu-item label="POI-Utils" href="utils/index.html"/>
+        <menu-item label="Text Extraction" href="text-extraction.html"/>
         <menu-item label="Download" href="ext:download"/>
     </menu>
 
index c96a71eeef07d8073779f400239fdcdbc892ac6e..d2fc4a3c78c22936a5f1bafe52e1e301851b4f19 100644 (file)
@@ -30,6 +30,7 @@
   <menu label="POIFS">
     <menu-item label="Overview" href="index.html"/>
     <menu-item label="How To" href="how-to.html"/>
+    <menu-item label="Embeded Documents" href="embeded.html"/>
     <menu-item label="File System Documentation" href="fileformat.html"/>
     <menu-item label="Use Cases" href="usecases.html"/>
   </menu>
diff --git a/src/documentation/content/xdocs/poifs/embeded.xml b/src/documentation/content/xdocs/poifs/embeded.xml
new file mode 100644 (file)
index 0000000..d888e2e
--- /dev/null
@@ -0,0 +1,95 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<!--
+   ====================================================================
+   Licensed to the Apache Software Foundation (ASF) under one or more
+   contributor license agreements.  See the NOTICE file distributed with
+   this work for additional information regarding copyright ownership.
+   The ASF licenses this file to You under the Apache License, Version 2.0
+   (the "License"); you may not use this file except in compliance with
+   the License.  You may obtain a copy of the License at
+
+       http://www.apache.org/licenses/LICENSE-2.0
+
+   Unless required by applicable law or agreed to in writing, software
+   distributed under the License is distributed on an "AS IS" BASIS,
+   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+   See the License for the specific language governing permissions and
+   limitations under the License.
+   ====================================================================
+-->
+<!DOCTYPE document PUBLIC "-//APACHE//DTD Documentation V1.1//EN" "../dtd/document-v11.dtd">
+<document>
+  <header>
+    <title>Apache POI - POIFS - Documents embeded in other documents</title>
+    <subtitle>Overview</subtitle>
+    <authors>
+      <person name="Nick Burch" email="nick@apache.org"/>     
+      <person name="Yegor Kozlov" email="yegor@apache.org"/>     
+    </authors>
+  </header>
+  <body>
+    <section><title>Overview</title>
+      <p>It is possible for one OLE 2 based document to have other
+         OLE 2 documents embeded in it. For example, and Excel file
+         may have a word document and a powerpoint slideshow 
+         embeded as part of it.</p>
+      <p>Normally, these other documents are stored in subdirectories
+         of the OLE 2 (POIFS) filesystem. The exact location of the
+         embeded documents will vary depending on the type of the
+         master document, and the exact directory names will differ
+         each time. To figure out exactly which directory to look
+         in, you will either need to process the appropriate OLE 2
+         linking entry in the master document, or simple iterate
+         over all the directories in the filesystem.</p>
+      <p>As a general rule, you will find the same OLE 2 entries
+         in the subdirectories, as you would've found at the root
+         of the filesystem were a document to not be embeded.</p>
+
+       <section><title>Files embeded in Excel</title>
+         <p>Excel normally stores embeded files in subdirectories
+         of the filesystem root. Typically these subdirectories
+         are named starting with MBD, with 8 hex characters following.</p>
+       </section>
+
+       <section><title>Files embeded in Word</title>
+         <p>Word normally stores embeded files in subdirectories
+         of the ObjectPool directory, itself a subdirectory of the
+         filesystem root. Typically these subdirectories and named
+         starting with an underscore, followed by 10 numbers.</p>
+       </section>
+
+       <section><title>Files embeded in PowerPoint</title>
+         <p>PowerPoint does not normally store embeded files
+         in the OLE2 layer. Instead, they are held within records
+         of the main PowerPoint file. To get at them, you need to
+         find the appropriate data within the PowerPoint stream,
+         and work from that.</p>
+       </section>
+    </section>
+
+    <section><title>Listing POIFS contents</title>
+      <p>POIFS provides a simple tool for listing the contents of
+         OLE2 files. This can allow you to see what your POIFS file
+         contents, and hence if it has any embeded documents in it,
+         and where.</p>
+      <p>The tool to use is <em>org.apache.poi.poifs.dev.POIFSLister</em>.
+         This tool may be run from the command line, and takes a filename
+         as its parameter. It will print out all the directories and 
+         files contained within the POIFS file.</p>
+    </section>
+
+    <section><title>Opening embeded files</title>
+      <p>All of the POIDocument classes (HSSFWorkbook, HSLFSlideShow,
+         HWPFDocument and HDGFDiagram) can either be opened from
+         a POIFSFileSystem, or from a specific directory within a
+         POIFSFileSystem. So, to open embeded files, simply locate the
+         appropriate DirectoryNode that represents the subdirectory
+         of interest, and pass this + the overall POIFSFileSystem to
+         the constructor.</p>
+      <p>I you want to extract the textual contents of the embeded file,
+         then open the appropriate POIDocument, and then pass this to
+         the extractor class, instead of simply passing the POIFSFilesystem
+         to the extractor.</p>
+    </section>
+  </body>
+</document>
diff --git a/src/documentation/content/xdocs/text-extraction.xml b/src/documentation/content/xdocs/text-extraction.xml
new file mode 100644 (file)
index 0000000..397aa1b
--- /dev/null
@@ -0,0 +1,106 @@
+<?xml version="1.0" encoding="UTF-8"?>
+<!--
+   ====================================================================
+   Licensed to the Apache Software Foundation (ASF) under one or more
+   contributor license agreements.  See the NOTICE file distributed with
+   this work for additional information regarding copyright ownership.
+   The ASF licenses this file to You under the Apache License, Version 2.0
+   (the "License"); you may not use this file except in compliance with
+   the License.  You may obtain a copy of the License at
+
+       http://www.apache.org/licenses/LICENSE-2.0
+
+   Unless required by applicable law or agreed to in writing, software
+   distributed under the License is distributed on an "AS IS" BASIS,
+   WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
+   See the License for the specific language governing permissions and
+   limitations under the License.
+   ====================================================================
+-->
+<!DOCTYPE document PUBLIC "-//APACHE//DTD Documentation V1.3//EN" "./dtd/document-v13.dtd">
+
+<document>
+  <header>
+    <title>POI Text Extraction</title>
+    <authors>
+      <person id="NB" name="Nick Burch" email="nick@apache.org"/>
+    </authors>
+  </header>
+  
+  <body>
+    <section><title>Overview</title>
+      <p>POI provides text extraction for all the supported file
+       formats. In addition, it provides access to the metadata
+       associated with a given file, such as title and author.</p>
+      <p>In addition to providing direct text extraction classes,
+       POI works closely with the 
+       <link href="http://incubator.apache.org/tika/">Apache Tika</link>
+       text extraction library. Users may wish to simply utilise 
+       the functionality provided by Tika.</p>
+    </section>
+
+    <section><title>Common functionality</title>
+     <p>All of the POI text extractors extend from
+      <em>org.apache.poi.POITextExtractor</em>. This provides a common
+      method across all extractors, getText(). For many cases, the text
+      returned will be all you need. However, many extractors do provide
+      more targetted text extraction methods, so you may wish to use
+      these in some cases.</p>
+     <p>All POIFS / OLE 2 based text extractors also extend from
+      <em>org.apache.poi.POIOLE2TextExtractor</em>. This additionally
+      provides common methods to get at the <link href="hpfs/">HPFS
+      document metadata</link>.</p>
+     <p>All OOXML based text extractors (available in POI 3.5 and later) 
+      also extend from
+      <em>org.apache.poi.POIOOXMLTextExtractor</em>. This additionally
+      provides common methods to get at the OOXML metadata.</p>
+    </section>
+
+    <section><title>Text Extractor Factory - POI 3.5 or later</title>
+     <p>A new class in POI 3.5, 
+      <em>org.apache.poi.extractor.ExtractorFactory</em> provides a
+      similar function to WorkbookFactory. You simply pass it an
+      InputStream, a file, a POIFSFileSystem or a OOXML Package. It
+      figures out the correct text extractor for you, and returns it.</p>
+    </section>
+
+    <section><title>Excel</title>
+     <p>For .xls files, there is 
+      <em>org.apache.poi.hssf.extractor.ExcelExtractor</em>, which will 
+      return text, optionally with formulas instead of their contents. 
+      Those using POI 3.5 can also use 
+      <em>org.apache.poi.xssf.extractor.XSSFExcelExtractor</em>, to perform
+      a similar task for .xlsx files.</p>
+    </section>
+
+    <section><title>Word</title>
+     <p>For .doc files, in scratchpad there is 
+      <em>org.apache.poi.hwpf.extractor.WordExtractor</em>, which will 
+      return text for your document. Those using POI 3.5 can also use 
+      <em>org.apache.poi.xwpf.extractor.XPFFWordExtractor</em>, to perform
+      a similar task for .docx files.</p>
+    </section>
+
+    <section><title>PowerPoint</title>
+     <p>For .ppt files, in scratchpad there is 
+      <em>org.apache.poi.hslf.extractor.PowerPointExtractor</em>, which 
+      will return text for your slideshow, optionally restricted to just
+      slides text or notes text. Those using POI 3.5 can also use 
+      <em>org.apache.poi.xslf.extractor.XSLFPowerPointExtractor</em>, to 
+      perform a similar task for .pptx files.</p>
+    </section>
+
+    <section><title>Visio</title>
+     <p>For .vsd files, in scratchpad there is 
+      <em>org.apache.poi.hdgf.extractor.VisioTextExtractor</em>, which 
+      will return text for your file.</p>
+    </section>
+  </body>
+
+  <footer>
+    <legal>
+      Copyright 2005 The Apache Software Foundation or its licensors, as applicable.
+      $Revision: 639487 $ $Date: 2008-03-20 22:31:15 +0000 (Thu, 20 Mar 2008) $
+    </legal>
+  </footer>
+</document>