当前位置：首页 > 后端开发 > 正文

Java如何解析Word文档？

Java解析Word文档常用 Apache POI库，支持读取.doc和.docx格式，提取文本、表格、图片等内容，也可用Tika或docx4j进行文本抽取或高级操作，实现结构化数据处理。

在Java中解析Word文档，开发者常用Apache POI、Apache Tika等成熟库实现,以下为详细方法及代码示例：

主流方法及代码实现

Apache POI（推荐）

  • 适用格式：.doc (HWPF) 和 .docx (XWPF)

  • Maven依赖：

    <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi</artifactId> <version>5.2.3</version> <!-- .doc支持 --> </dependency> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-ooxml</artifactId> <version>5.2.3</version> <!-- .docx支持 --> </dependency>

  • 解析.docx文件：

    import org.apache.poi.xwpf.usermodel.*; import java.io.FileInputStream; public class DocxParser { public static void main(String[] args) throws Exception { try (FileInputStream fis = new FileInputStream("document.docx"); XWPFDocument doc = new XWPFDocument(fis)) { // 1. 提取文本 StringBuilder text = new StringBuilder(); for (XWPFParagraph p : doc.getParagraphs()) { text.append(p.getText()).append("n"); } System.out.println("文本内容: " + text); // 2. 提取表格 for (XWPFTable table : doc.getTables()) { for (XWPFTableRow row : table.getRows()) { for (XWPFTableCell cell : row.getTableCells()) { System.out.print(cell.getText() + "t"); } System.out.println(); } } // 3. 提取图片（需保存到本地） for (XWPFPictureData pic : doc.getAllPictures()) { byte[] data = pic.getData(); String fileName = pic.getFileName(); // 保存图片到文件系统... } } } }

  • 解析.doc文件（旧格式）：

    import org.apache.poi.hwpf.HWPFDocument; import org.apache.poi.hwpf.extractor.WordExtractor; public class DocParser { public static void main(String[] args) throws Exception { try (FileInputStream fis = new FileInputStream("document.doc"); HWPFDocument doc = new HWPFDocument(fis)) { WordExtractor extractor = new WordExtractor(doc); String text = extractor.getText(); // 获取全文 System.out.println(text); } } }

    • Apache Tika（自动识别格式）

    • 优势：自动检测文件类型，支持Word/PDF/Excel等

    • Maven依赖：

      <dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-core</artifactId> <version>2.7.0</version> </dependency> <dependency> <groupId>org.apache.tika</groupId> <artifactId>tika-parsers</artifactId> <version>2.7.0</version> </dependency>

    • 代码示例：

      import org.apache.tika.Tika; import org.apache.tika.metadata.Metadata; import java.io.FileInputStream; public class TikaParser { public static void main(String[] args) throws Exception { Tika tika = new Tika(); try (FileInputStream fis = new FileInputStream("document.docx")) { Metadata metadata = new Metadata(); String content = tika.parseToString(fis, metadata); System.out.println("内容: " + content); System.out.println("类型: " + metadata.get(Metadata.CONTENT_TYPE)); } } }

    关键注意事项

    1. 格式兼容性：

      • .docx（POI的XWPFDocument）解析更稳定，.doc（HWPFDocument）已停止更新。
      • 复杂格式（如公式、艺术字）可能解析失败,需测试验证。

    2. 性能优化：

      • 大文件处理：使用POI SAX模式（如XSSFEventBasedExcelExtractor）避免内存溢出。
      • 关闭资源：用try-with-resources确保流和文档对象关闭。

        提取限制**：

      • POI可获取文本、表格、图片，但无法保留原始样式（如字体颜色）。
      • 需处理加密文档：通过POI的EncryptedDocumentException捕获异常。

      常见问题解决方案

      • 乱码问题：指定编码（如TextExtractor.setEncoding("UTF-8")）。
      • 依赖冲突：检查Maven的依赖树（mvn dependency:tree）,排除重复库。
      • 云文档解析：先通过API（如Microsoft Graph）下载为本地文件再解析。

      替代方案

      • docx4j：专精.docx，支持图表/批注等高级特性（但学习曲线陡峭）。
      • OpenPDF：专注PDF,若需Word转PDF后解析可使用。
      • 商业库：Aspose.Words（付费，功能全面，支持渲染为HTML/PDF）。

      引用说明

      通过上述方法，开发者可高效解析Word内容至Java应用，推荐优先使用Apache POI处理结构化数据，或Apache Tika实现快速全文提取,实际部署前建议进行多格式兼容性测试。

Apache POIJava解析Word文档处理技术
0

相关文章