Documenti di Office e Java Anteprima ed estrazione del testo

Transcript

1

2 UNIVERSITÀ DEGLI STUDI DELLINSUBRIA FACOLTÀ DI SCIENZE MM. FF. NN. - VARESE Corso di Laurea in Informatica Documenti di Office e Java Anteprima ed estrazione del testo Relatore: Prof. Marco TARINI Tesi di Laurea di: MATTEO BASSANI Matr. n Anno Accademico 2004/2005

3

4 Ringraziamenti Da fare etc. etc.

5

6 Abstract abstract in inglese etc. etc. abstract in Italiano etc. etc.

7

8 Indice Ringraziamenti Abstract iv vi 1 Introduzione Contesto Applicativo Struttura di questo lavoro Office e Java: un problema di compatibilità Java Office I formati Office Documenti di Word I fogli di calcolo di Excel Presentazioni di PowerPoint Database Access Analisi delle soluzioni possibili XBrowser iecanvas Multivalent Mozilla Webclient Jakarta POI Un ingrediente della soluzione proposta: OpenOffice.org Storia Caratteristiche tecniche Internals Interazione con Java Soluzioni Strumenti e programmi necessari L estrazione del testo L anteprima di documenti Risultati e Conclusioni Risultati Sviluppi futuri Conclusioni Bibliografia 30

9 Elenco delle figure 1.1 Schermata iniziale di DocWeaver Schermata di ricerca documenti in DocWeaver Struttura interna di un file salvato con PowerPoint Il programma demo ha estratto il testo da un file word Codice per la connessione a un server OpenOffice Funzione che stabilisce il tipo di documento aperto Estrazione del testo tramite l accesso hai paragrafi Esportazione di un file Excel in un file HTML Codice necessario per modificare una singola opzione Caricamento di un file nel componente OpenOffice e rimozione delle barre degli strumenti L estrattore del testo visualizza il testo estratto da un riassunto L anteprima di un file di Word grazie ad OpenOffice La barra dei file di Excel rimane visibile per mostrare il reale contenuto della celle Tramite i pulsanti in alto a destra é possibile par partire la presentazione delle slide

10 Elenco delle tabelle 2.2 Esempio di un record BIFF di una cella di un intero Tempi di anteprima di file Word Tempi di anteprima di file Ecel Tempi di anteprima di file Powerpoint Le performance dell estrattore del testo

11 Capitolo 1 Introduzione L importanza della gestione dei contenuti aziendali si riflette nei vari modi in cui le imprese utilizzano le informazioni come elemento distintivo e promotore di competitività. [... ] La modalità di creazione, gestione, archiviazione e utilizzo delle informazioni per l espletamento di attività varie, costituisce il nocciolo della gestione dei contenuti aziendali. [1] In questo contesto si sviluppa la necessità di avere un unico programma che permetta di poter visionare l anteprima di un qualsiasi documento, in qualsiasi formato, e di poterne estrapolare il contenuto per memorizzarlo, e successivamente ricercarlo in un ottica di più ampio respiro. 1.1 Contesto Applicativo Il gruppo Irpe é un affermata realtà che propone una serie di servizi e soluzioni ad ampio raggio per le medie imprese. Il gruppo, tramite le sue divisioni, offre in particolare soluzioni nell ambito del networking, della businness continuity, dell editoria, della gestione licenze software, del content management. Inoltre offre corsi di formazione e servizi di assistenza sistemistica e hardware. Nell ambito del content management l azienda fornisce DocWeaver, un prodotto che offre strumenti informatici volti a semplificare ed automatizzare il più possibile le operazioni di archiviazione, catalogazione e ricerca documenti, garantendo la riservatezza delle informazioni memorizzate che potranno essere rese disponibili dopo il controllo del profilo dell utente collegato e delle autorizzazioni che questi possiede. [... ] Permette alle organizzazioni di creare una linea di collegamento fra le persone, le informazioni e

12 1.1 Contesto Applicativo 2 i processi, trasformando il loro patrimonio informativo in una forma piú intelligente, ottimizzando i processi di lavoro e riducendo i rischi correlati. [1] DocWeaver é un programma scritto in Java, che con l ausilio di un database SQL, soddisfa appieno la descrizione precedente (fig.1.1), permettendo di archiviare documenti elettronici (documenti, fogli di calcolo, presentazioni, immagini, ,... ) e successivamente di ricercarli (fig.1.2). Il programma sfrutta un architettura client server, e grazie alle proprietà di Java é multipiattaforma, permettendo di poter scegliere con la massima libertà sistemi operativi (Windows, Mac OS X, Unix,... ) e database server (MS SQL Server, Oracle, Postgresql,... ). Il progetto é divisibile in due parti: l anteprima e l estrazione del testo. Prevede la realizzazione di una applicazione dimostrativa Java che consenta la visualizzazione dell anteprima di documenti Office (Word, Excel,... ), documenti PDF, file di testo, immagini (JPG, PNG,... ), etc. Il programma potrà integrare componenti esterni quali browser e/o altro e dovrà essere utilizzabile sia in ambiente Windows che Macintosh, Linux,... I risultati saranno poi attentamente valutati per una possibile integrazione nel prodotto di archiviazione documentale DocWeaver realizzato in tecnologia Java. La seconda parte prevede la realizzazione di una applicazione dimostrativa in Java che consenta l estrazione di testo da documenti Office (Word, Excel,... ). L obbiettivo é quello di integrarlo nel prodotto di archiviazione documentale DocWeaver, lato server, in modo da fornire il testo estratto al motore di indicizzazione Full-Text già previsto dai database SQL utilizzati (Microsoft SQL, Oracle,... ). Figura 1.2: Schermata di ricerca documenti in DocWeaver

13 1.2 Struttura di questo lavoro Struttura di questo lavoro (un indice espanso) blah blah (capitolo 1),... cito: [3]Il ruolo dell introduzione nelle tesi é un po convenzionale: contiene di fatto un compendio della tesi. La sua lunghezza é di circa 3 5 pagine. Il suo scopo é di consentire una rapida valutazione del contenuto della tesi. l introduzione della tua tesi ha lo scopo opposto. Tutto ciò che é contenuto nella tesi deve essere menzionato nell introduzione. Per questo motivo é una delle ultime cose che viene scritta. Inoltre, visto che é la prima cosa che viene letta da chi vuole valutare la tesi, é probabilmente una delle poche cose lette e rilette dal tesista e dal relatore. La lasciamo a dopo

14 I principali punti di forza e innovazioni di Java sono la presenza di una API interna per la realizzazione di interfacce grafiche (al contrario del C++ e delle varie librerie grafiche proprietarie disponibili) e la possibilità di poter eseguire la stessa applicazione su piattaforme diverse ottenendo i medesimi risultati, sia computazionalmente che nella rappresentazione visiva. Il programmatore Java ha la possibilità di creare applicazioni multithread o concorrenti, o con il supporto alla riflessione, che permette di caricare dinamicamente solo le classi necessarie all esecuzione, senza doversi preoccupare del processo di garbage-collection, che é automatico. Tra le altre funzionalità Capitolo 2 Office e Java: un problema di compatibilità All interno di questo capitolo affronteremo il problema legato alla piattaforma di sviluppo e si farà una panoramica sul problema della gestione dei documenti Microsoft Office. Prenderemo in analisi i principali programmi che compongono la suite Office e il formato dei file che questi programmi usano. Faremo infine una veloce sintesi dei progetti software che possono essere usati per risolvere il problema, soffermandoci sulle problematiche legate al loro uso. 2.1 Java Java é un linguaggio di programmazione riflessivo, orientato agli oggetti e indipendente dalla piattaforma. Lo sviluppo di Java inizia nel 1990 con Patrick Naughton, a lui si uniscono James Goslinge Mike Sheridan. Il linguaggio su cui stavano lavorando inizialmente doveva essere una nuova estensione del C++ (altro linguaggio di programmazione ad oggetti). Però decisero che era carente di alcune funzioni, quindi iniziarono la creazione di un nuovo linguaggio chiamato inizialmente OAK, basato su alcune idee di Bill Joy. Nel Giugno 1994, dopo una lunga riunione John Gage, James Gosling, Bill Joy, Patrick Naughton, Wayne Rosing, e Eric Schmidt decisero che con l avvento di Mosaic 1, il loro linguaggio avrebbe dovuto sposarsi con il web. Nel Novembre del 1994 in una conferenza congiunta con Netscape mostrarono le possibilità offerte da Java. Marc Andreessen (all epoca vice presidente esecutivo di Netscape) in quell occasione annunciò che Java sarebbe stato incluso nei loro browser. Un programma o una applet 2 Java hanno bisogno di una virtual machine, un programma vero che esegue l applicazione scritta in Java.

15 2.2 Office 5 messe a disposizione da Java abbiamo il supporto alle tecnologie di rete, per l accesso ai database tramite JDBC/ODBC, la manipolazione di documenti XML e la creazione di Web Services. Un programma scritto in Java viene compilato, ma non direttamente in codice eseguibile dal sistema operativo, e vengono generati dei file in bytecode, i quali vengono poi interpretati dalla Java Virtual Machine (JVM) che esegue il programma. Java risulta un linguaggio ibrido, ovvero parzialmente compilato e parzialmente interpretato. La JVM viene implementata per ogni sistema operativo sufficientemente diffuso e attualmente é disponibile per Windows, Mac OS X, *nix,... Purtroppo il processo di interpretazione del programma aveva dei problemi di performance, per questo, tutte le implementazioni recenti di macchine virtuali Java hanno incorporate un JIT compiler, cioè un compilatore interno, che al momento del lancio traduce al volo il programma bytecode Java in un normale programma nel linguaggio macchina del computer ospite. Inoltre, questa ricompilazione é dinamica, cioè la virtual machine analizza costantemente il modello di esecuzione del codice (profiling), e ottimizza ulteriormente le parti usate più frequentemente, mentre il programma é in esecuzione [2]. Java, fornendo delle API per la creazione di interfacce grafiche, supporta anche alcuni componenti capaci di mostrare testo formattato, ovvero non il solo testo, ma visualizzando a video anche le variazioni di font, di dimensioni e di stile nei caratteri usati. I due componenti sono JEditorPane e la sua sottoclasse JTextPane. Questi componenti sono stati creati per supportare i seguenti formati: testo piano, HTML ed RTF (). Sia HTML che RTF sono due linguaggi di mark-up, il primo sviluppato dal W3C (World Wide Web Consortium) ed usato come linguaggio per la descrizione di ipertesti sul web, il secondo sviluppato da Microsoft sin dal 1987 per lo scambio di documenti fra piattaforme diverse. Il formato RTF ha raggiunto la versione 1.8 nell Aprile del 2004, le sue specifiche 3 sono pubblicamente disponibili. Purtroppo questo formato é caduto in disuso poiché Word, che usa un altro formato, ha guadagnato una quota di mercato talmente cospicua da creare di fatto uno standard. Nonostante JEditorPane supporti pochi formati, c é la possibilità di incrementare il loro numero tramite la scrittura e l aggiunta di alcune classi al progetto. L aggiunta dei formati usati da Office é comunque difficoltosa se non impossibile per la mancanza di documentazione ufficiale aggiornata sulle specifiche interne dei formati dei file. 2.2 Office Microsoft Office Suite é la raccolta di una serie di programmi di produttività per l ufficio. Nata nei primi anni 90 la suite Office diventa il raccoglitore di un set di programmi per l ufficio che venivano venduti separatamente (Word, Excel, Powerpoint), ma con il vantaggio di avere un prezzo inferiore rispetto ai prodotti separati. Col passare degli anni i programmi che compongono Office sono aumentati e hanno incominciato a condividere componenti e funzionalità: il correttore ortografico, l OLE data Integration, VBA (Visual Basic for Application),... Con il passare degli anni la suite Office si é imposta sul mercato come uno standard de facto per gli applicativi dell ufficio.

16 2.3 I formati Office 6 formule, grafici,... ; Powerpoint, realizza presentazioni animate con testo, immagini e suoni; Outlook, consente di gestire i propri account di posta, ma anche il calendario, gli appuntamenti; e infine Access, programma che permette la gestione di piccoli database relazionali e creare interfacce grafiche per gli utenti meno esperti. La suite comprende anche un elevato numero di programmi che possono essere inclusi a seconda della versione di Office acquistata: - InfoPath: Software per lavorare con i file XML - Publisher: Software per la creazione di volantini, libretti,... - FrontPage: Programma di web design - Visio: Software per la creazione di diagrammi. - Office Picture Manager: software di gestione delle foto. - Photo Editor: Software di fotoritocco. - Project: Programma per la gestione dei progetti. - OneNote: Usato sui tablet PC per prendere rapidamente delle note. - Developer Tools : Tool per gli sviluppatori, in particolare manualistica. - Entourage: Programma di posta elettronica per Mac (fornito al posto di Outlook) Oltre ai prodotti elencati nella gamma office, si sono recentemente aggiunte delle versioni server di alcuni componenti che permettono di automatizzare la generazione di documenti o che mettono a disposizione dei servizi Web-Based. Office viene spesso venduto in pacchetti o suite (Students, Basic, Professional, Developer,... ), che includono solo parte dei programmi in modo da rispondere adeguatamente alle specifiche esigenze dell utenza target delle varie suite. 2.3 I formati Office I file della suite Office più comuni sono i file di Word (.DOC), di Excel (.XLS), di PowerPoint (.PPT) e di Access (.MDB). I file prodotti da questi programmi sono problematici per la stessa suite Office. I motivi principali sono: - Versione del formato dei file: ad ogni versione della suite il formato interno dei file cambia. Questo (ad esempio) rende problematica la lettura di un documento prodotto con l ultima versione di Word 2003 anche solo con la versione precedente dello stesso software (Word 2002/XP), sopratutto perché le nuove versioni usano funzionalità non previste nelle versioni precedenti. Il continuo aumento di complessità, secondo i detrattori di Microsoft, ha raggiunto un tale livello che nemmeno gli stessi progettisti sanno cosa ci sia dentro in un file di Office. - Versioning del contenuto dei file: una cosa che spesso viene ignorata dalla maggior parte degli utilizzatori dei programmi di Office é

17 2.3 I formati Office 7 - Dimensione dei file: é facile creare un file di Word con un paio di righe di testo e scoprire che ha già raggiunto almeno un centinaio di kilo-byte. Ancora più sconcertante è il fatto che vengono salvate anche le versioni del file e ciò comporta dover memorizzare altri dati che spesso non servono affatto. - Offuscamento del contenuto dei file: infine le politiche aziendali hanno imposto anche un offuscamento del formato. Ciò ha comportato un ulteriore confusione su cosa ci sia in realtà all interno di un file del pacchetto Office. La principale motivazione al riguardo é la necessità di evitare che suite concorrenti 4 possano sfruttare come punto di forza dei propi prodotti, oltre a un costo inferiore anche la compatibilità con il formato più diffuso. Alcuni file di Office possono contenere più di un oggetto, per esempio un documento di Word può contenere immagini, suoni, documenti di Excel. Per Ottenere questo risultato Microsoft ha adottato un sistema chiamato Compound Document File Format[6]. Questo formato lavora come un piccolo file system e permette di contenere un numero indipendente di data stream, organizzati tra loro tramite directory/storage. Ogni documento ha un root storage che è il padre, diretto o indiretto, di tutte le altre directory e di tutti gli stream. Ogni stream é formato da un header e più settori, questi ultimi sono collegati tra loro tramite un puntatore 5. L header definisce la dimensione e l inizio della lista dei settori. Nonostante i settori siano numerati in ordine crescente questo non rappresenta l ordine reale che é invece definito dalla lista che parte dall header dello strem. Il Compound Document File Format viene usato principalmente per contenere vari file che possono venire modificati separatamente e con programmi diversi, in modo tale che le modifiche vengano riconosciute in tutto il contesto del file. Ad esempio potremmo avere un documento di testo con all interno una immagine, mentre lavoriamo con possiamo scegliere di modificare l imagine con un altro programma. Dopo aver apportato delle modifiche all immagine la salviamo e, quando torniamo al nostro documento, potremo vedere che anche l immagine all interno é stata aggiornata. Il formato non verrà trattato ulteriormente all interno della tesi. Questi accenni sono utili per una migliore comprensione dei formati che verranno esposti nelle prossime sezioni. Ora proseguiamo nell analisi degli aspetti basilari dei quattro formati più importanti della suite Office. Le informazioni esposte esposte nelle prossime sezioni, sono state reperite principalmente grazie al lavoro di documentazione svolto da parte della comunità open-source. Nonostante Microsoft abbia svolto un ampio lavoro riguardante la struttura dei formati usati dalla suite Office, questi non sono pubblicamente disponibili ma vengono rilasciati grazie ad accordi di partnership e grazie a delle licenze di Documenti di Word Word é un programma che permette di redarre dei documenti ed é il moderno sostituto della macchia da scrivere. In un documento Word possono essere incluse tabelle di Excel, immagini, grafici, formule matematiche oltre che ovviamente testo formattato. Il formato di word é molto complicato ma possiamo analizzarne brevemente gli aspetti principali. Il testo viene salvato in un blocco unico nel caso in cui si sta salvando il

18 2.3 I formati Office 8 Record Header Record Body Byte Value Opcode Lenght Row Column CellAttr Integer Tabella 2.2: Esempio di un record BIFF di una cella di un intero formato da un misto di caratteri ASCII, con alcune modifiche al significato di alcuni caratteri 6, e di caratteri UNICODE. Attraverso una apposita tabella possiamo sapere quali pezzi fanno parte del testo (questo nel caso di file di tipo fastsave) e la loro lunghezza. la formattazione del testo avviene invece attraverso stili. Questi possono essere stili di carattere o di paragrafo e vengono salvati in una tabella. Esistono inoltre due tabelle per pagina, una contente le informazione per la gestione della formattazione da applicare ai caratteri e una per la formattazione dei paragrafi I fogli di calcolo di Excel Excel é forse il miglior prodotto per fogli di calcolo attualmente sul mercato. Negli anni si é dimostrato molto stabile, andando al contempo sempre in direzione degli utenti e dell usabilità. La sua interfaccia grafica si é rivelata vincente, introducendo le barre degli strumenti e ispirandosi a VisiCalc 7 per la visualizzazione dei dati e delle formule. Il formato dei file di Excel é chiamato BIFF (BInary File Format) e negli anni si é evoluto giungendo ormai alla sua ottava edizione. Nel 2001 con l arrivo sul mercato di Office XP, il formato ha avuto una piccola revisione giungendo così a BIFF8X. I file in formato BIFF sono incapsulati in un documento OLE2, con il vantaggio di poter inserire all interno di un file unico anche le informazioni riguardo a eventuali grafici, immagini,... correlati con il foglio di calcolo. Il file ha una struttura base, il workbook, che descrive le propietà comuni a tutto il file (come l autore, ultima modifica,... ). Il workbook ha inoltre informazioni riguardo il numero di sheets o fogli presenti nel file, questi sheet sono immagazzinati in stream differenti all interno del file stesso. Lo stream degli sheet é diviso in record di dimensione variabile, ognuno con un header di 4 Byte. Questo é diviso in due campi di pari dimensioni, l Header contiene un numero che identifica il tipo di record (numerico, formula, testo,... ) e il Body che contiene la dimensione in byte del record a partire dal successivo. Il formato BIFF prevede inoltre che gli interi vengano salvati secondo il metodo Little-Endian. Questo metodo prevede che il byte meno significativo sia salvato prima e il più significativo per ultimo (es. il seguente intero di 32 bit 13579BDF H é convertito in DF H 9B H 57 H 13 H ). Nell esempio nella tabella 2.2 possiamo vedere un esempio di un campo numerico intero. Il primo campo dell header é l Opcode, che rappresenta il tipo di record, in questo caso 2 é quello per il record integer. Tra i vari opcode disponibili ci sono quelli per formule, numeri, stringhe, gruppi di celle, formattazione del testo, inizio e fine del file,... Successivamente abbiamo il

19 2.3 I formati Office 9 Figura 2.1: Struttura interna di un file salvato con PowerPoint iniziano i campi relativi al tipo di record indicato dall Opcode, quindi il numero di riga e di colonna della cella, che ci indicano che le informazioni sono relative alla cella in posizione C1 (questo perché a video le colonne partono dalla A e le righe da 1), i 3 byte contrassegnati da CellAttr sono una prerogativa dei record più del formato BIFF e contengono alcune informazioni sulla rappresentazione della cella a video (i bordi intorno alla cella, il font da usare,... ); infine é presente il valore della cella 57, un intero senza segno. Uno dei punti di forza di Excel é sicuramente la velocità con cui vengono caricati i suoi file, questo perché non obbliga a dover rivalutare tutte le formule ed espressioni presenti nel file. Questo era un grosso vantaggio rispetto alla concorrenza negli anni 90, quando la potenza dei calcolo disponibile nonera certo quella attuale. Da allora il formato si é evoluto aggiungendo e rimuovendo tipi di record, ma grazie ad una struttura solida il formato non ha subito stravolgimenti. Questa stabilità del formato ha permesso a parecchi progetti open-source di implementare un efficace funzione di lettura per i file di Excel Presentazioni di PowerPoint PowerPoint negli anni si é imposto come il più usato programma per la creazione di presentazioni e slide per Windows. Offre ampie opportunità di personalizzazione delle presentazioni e permette di incorporare in esse immagini e video. Fornisce inoltre anche una vasta gamma di animazioni da usare sul testo e sul contenuto delle presentazioni. Dal punto di vista tecnico i file di PowerPoint sono un perfetto esempio di file che sfruttano tutte le potenzialità dei file OLE2. Il file contiene due tipi di oggetti: gli atom e i container. I primi rappresentano le unità basilari dei contenuti del file, possono essere stream di file oppure atom contenenti le informazioni riguardo gli oggetti della presentazione (es. un animazione, un suono, i colori del testo,... ). Il compito dei container non sono che gli storage precedentemente presentati, possono contenere altri container e/o altri atom. Un file PPT ha 5 container principali: Pictures, contiene gli stream delle immagini usate nella presentazione; Current User, contiene le informazioni dell utente che sta accedendo al file; PowerPoint Document, contiene le in-

20 2.4 Analisi delle soluzioni possibili 10 Nonostante il formato del file non sia stato stravolto, con il passare delle versioni sono stati aggiunti nuovi atom, che rappresentano in particolar modo nuove animazioni ed effetti di transizione fra diapositive. Queste modifiche sono documentate, ma non pubblicamente disponibili Database Access Il formato di Access esula dai nostri scopi perché ritenuto marginale nei confronti degli altri formati della suite Office. Inoltre per qualsiasi necessità di database il prodotto DocWeaver richiede la presenza di un database server (Microsoft SQL server, Postgresql,... ), che potrà essere usato per coprire anche le altre esigenze dell azienda. 2.4 Analisi delle soluzioni possibili Il problema principale é l anteprima e l estrazione del testo di documenti della suite Microsoft Office, che come abbiamo visto precedentemente é ostica. Si é rivelato quindi prioritario trovare un sistema che permette l anteprima e l estrazione del testo da questo tipo di file. É seguito un lungo lavoro di ricerca e valutazione di progetti e librerie volti alla soluzione, anche solo parziale del problema. Una soluzione alternativa consiste nel utilizzo di uno strumento complesso che ricalca le funzioni di Microsoft Office. OpenOffice.org. Questa é stata la strada effettivamete intrapresa, nel capitolo?? analizzeremo in dettaglio le caratteristiche di questo strumento. Ora invece si soffermeremo sulle soluzioni vagliate prima di effettuare la scelta su quella finale XBrowser XBrowser 8 é un progetto che ha sviluppato un web browser, completamente in Java. Questo permette l anteprima di file HTML, di immagini e di file di solo testo. Purtoppo il progetto risulta abbandonato dall Agosto del 2001, questo comporta per l azienda anche il dover mantenere e aggiungere anche una buona parte di lavoro per l aggiornamento del prodotto stesso iecanvas iecanvas 9 un piccolo progetto che punta all inclusione all interno di un programma Java, di una finestra del famoso browser Internet Explorer. Internet Explorer può caricare dei plug-in che gli permettono di aprire file della suite Office, tecnicamente questo sarebbe stato possibili anche per la finestra inclusa nel programma Java. Purtroppo anche questo progetto oltre a essere abbandonato dall Ottobre del 2003, si é anche rivelato incapace di fornire l anteprima di documenti Word o Excel Multivalent Questo progetto fornisce un gruppo di classi e interfacce in Java per l anteprima e la lettura di svariati tipi di file, tra cui anche il formato PDF. Il progetto non gestendo i file in formato Word ed Excel é stato scartato anche per il complessa lavoro di integrazione necessaio

21 Analisi delle soluzioni possibili Mozilla Webclient Il progetto Mozilla Webclient 10 nasce con lo scopo di creare un set di API scritte in Java che forniscono vari aspetti della navigazione su internet, quali rendering dei contenuti del web, navigazione sul web,... Il progetto iniziato da Kirk Baker e Ian Wilkinson si chiamava RaptorCanvas. Dopo lo scioglimento dell accordo tra AOL, Netscape e Sun, il progetto riparte sotto l egida della sola Sun con il nome di Blackwood project e il cui scopo é quello di aumentare l integrazione tra Java e Mozilla. Uno dei sotto-progetti é appunto WebClient che grazie al contibuto di Kirk, Ian e di tecnici di Sun Microsystem fornisce un API per Java verso la webshell di Mozilla. 11 Grazie a questo componente la realizzazione della parte di anteprima dedicata a immagini, HTML e testo piano é molto semplice. Inoltre la webshell di Mozilla mantiene le stesse propietà del browser. Se infatti gli si fa aprire un file che non può gestire internamente, controlla se esiste un plug-in che ne consente l apertura. Grazie a questa feature é possibile aprire anche file Adobe Acrobat, nel caso sia stato installato sul anche il solo Acrobat Reader 12. Questa particolarità di Webclient estende le possibilità di anteprima del programma anche ai file non elencati nelle specifiche di progetto come i file Macromedia Flash (SWF) Jakarta POI Il progetto POI, acronimo di Poor Obfuscation Implementation, é un progetto che punta alla creazione di una serie di librerie Java per la lettura e la scrittura di file creati con la suite Microsoft Office. L acronimo del progetto si riferisce, in modo scherzoso, al tentativo di Microsoft di oscurare il codice dei propi formati di file. Il sistema di offuscamento dei file é stato però analizzato, scoperto e aggirato tramite tecniche di Reverse Engineering 13. Il progetto POI é ospitato dalla open-source Apache Software Foundation 14. La fondazione porta avanti molti progetti open-source, alcuni sviluppati in Java. Il gruppo di progetti Jakarta, raccoglie buona parte dei progetti in linguaggio Java della fondazione. Tutti i progetti open-source della fondazione Apache sono rilasciati sotto la Apache License, un tipo di licenza open-source che permette di includere il codice in software e progetti commerciali. Alcune parti del progetto sono state sviluppate con maggior inpegno e sono pertanto molto affidabili, tra queste le classi per la lettura degli oggetti OLE2, la lettura scrittura di file di Excel (XLS). Sono invece molto acerbe le componenti per la lettura scrittura di file di Word (DOC), dei file di PowerPoint (PPT) e delle propietà dei file (tra le propietà dei ci sono: autore, data di modifica, revisioni,... ). Poichè il progetto é incompleto non è stato possibile sceglierlo per la parte di estrazione del testo.

22 Capitolo 3 Un ingrediente della soluzione proposta: OpenOffice.org Qui parlo un po di openoffice, spiego cosa fa come funziona, le api che mette a disposizione 3.1 Storia La storia di OpenOffice ha inizio nel 1994 quando StarDivison 1 pubblicò la prima versione di StarOffice, una suite di programmi per l ufficio in diretta concorrenza con Microsoft Office. Fino alla versione 4.2 StarOffice si basava sulle librerie C++ multipiattaforma StarView. Durante l Agosto del 1999 Sun Microsystem stava cercando una suite per l ufficio per entrare in concorrenza con Microsoft, così comprò da StarDivision il codice e i diritti su StarOffice per circa 70 milioni di dollari. Ben presto rilasciò la versione 5.2 di StarOffice gratuita per uso personale. Nel luglio del 2000 Sun rilascia buona parte del codice di StarOffice sotto le licenze LGPL 2 e SISSL 3. Nasce così OpenOffice, ereditando il codice di StarOffice e raccogliendo intorno a sè una attiva comunità di sviluppatori open source. OpenOffice si deve però scontrare prima con un problema di marchi registrati, così il nome ufficiale del prodotto viene cambiato divenendo OpenOffice.org. Informalmente ci si riferisce al progetto con il nome di OpenOffice o con l abbreviazione OOo. Nell Ottobre del 2001 la build 638c diventa la prima beta pubblica, mentre la versione 1.0 viene rilasciata il primo Maggio Attualmente la versione stabile é la 1.5 rilasciata nel mese di Settembre di quest anno, la quale probabilmente sarà l ultima della serie 1.x. Dopo molti mesi di versioni beta, siamo vicini al rilascio della prima Release Candidate della versione 2.0 di OpenOffice. 3.2 Caratteristiche tecniche OpenOffice è formato da diversi sottoprogrammi che condividino un ampia base di codice, permettendo di caricare più programmi della suite contemporaneamente senza appesantire eccessivamente il sistema. La suite é com- 1 Software house tedesca fondata nel 1986 da Marco Börries 2