JAVA Apache POI解析docx格式的word文件并提取带样式文本

关于JAVA Apache POI读取word文档，网上资料很多，但是大多数还是仅仅提取文档中的纯文本，好一点的，也就提取所有图片，但是，word文档本身是具有样式的，这样简单粗暴的提取就会丢失字体、字号、颜色、粗体、斜体等一系列样式，也没有办法还原图片在文档流中的位置，没有办法提取出表格。

docx格式的word文件实际上是一个压缩包，通过修改后缀名为rar后可用winrar打开，里面实际上是xml文件

这是因为docx文件遵循了OfficeOpenXML规范，该规范内容很多，有兴趣的同学可以自行下载翻阅。打开上图的word文件夹

这里我们需要关注的是document.xml和numbering.xml

其中document.xml包含了文档的主要结构与主要文本内容，其形式有点像HTML语言

而numbering.xml与自动序号有关，由于非常复杂，文本暂不讨论，主要原因是自动序号实际上是在渲染时进行实时计算的，并且需要有不同的层次。

在开始使用Apache POI解析之前，我们需要了解一些关于docx文件结构的基本概念

整个文档是一个document，document的子元素为Paragraph（段落）和Table（表格）这和我们日常使用word的经验基本相符，Paragraph的子元素为Run，代表一段连续的相同样式的文本，一般来说，没有改过样式的一段纯中文或者纯英文就在一个Run内，而一旦对其中一个字改变了字号、颜色、粗细等样式，那么其本身及前后必然会被不同的Run分割。

在实际使用Apache POI中，又分为High Level和Low Level两种API，一般以XWPF作为前缀的是High Level API，以CT为前缀的是Low Level，High Level API使用更简单，比较容易理解，但是目前只有比较常见的元素有，例如XWPFParagraph、XWPFRun。Low Level API实际上是对xml文件中标签的简单封装，需要你对OfficeOpenXML规范有足够的了解，例如CTP（Paragraph）、CTR（Run）。当然，Low Level API也不一定能满足你的全部需求，这个时候你只能对着OfficeOpenXML文档自行解析XML了。High Level API可以获取到对应的Low Level API，例如，XWPFParagraph.getCTP()。

上图是High Level API的类的主要关系图，其中蓝色的是class，绿色的是interface

List<XWPFParagraph> paragraphs = document.getParagraphs();
for(XWPFParagraph paragraph:paragraphs){
    List<XWPFRun> runs= paragraph.getRuns();
    for(XWPFRun run:runs){
        List<XWPFPicture> pictures=run.getEmbeddedPictures();
        String text=run.text();
    }
}

一般来说，我们使用XWPFParagraph、XWPFRun、XWPFPicture就能满足绝大多数情况。由于图片的情况较为复杂，这里能抽取的图片是嵌入型的图片，而衬于文字上/下方的图片抽取较为复杂，本文暂不讨论。

下面就主要讲讲XWPFParagraph与XWPFRun的样式相关API

1.对齐方式

 xwpfParagraph.getAlignment().getValue()

下表仅列出常用对齐方式

返回值	含义
1	左对齐
2	居中
3	右对齐

2.字体

 run.getFontFamily()

3.字号

run.getFontSize()

4.粗体

run.isBold()

5.斜体

run.isItalic()

6.下划线

run.getUnderline().getValue()

下表仅列出常用下划线

返回值	含义
1	单下划线
3	双下划线

7.下标

run.getVerticalAlignment().equals(STVerticalAlignRun.Enum.forInt(3))

8.上标

run.getVerticalAlignment().equals(STVerticalAlignRun.Enum.forInt(2))

9.颜色

 run.getColor()

表格抽取相对较简单，最终又回到XWPFParagraph

List<XWPFTableRow> xwpfTableRows = xwpfTable.getRows();
for (XWPFTableRow xwpfTableRow : xwpfTableRows) {
    List<XWPFTableCell> xwpfTableCells = xwpfTableRow.getTableCells();
    for (XWPFTableCell xwpfTableCell : xwpfTableCells) {
        List<XWPFParagraph> xwpfParagraphs = xwpfTableCell.getParagraphs();
    }
}

最后补充一些特殊情况，这些情况需要用到Low level API

1.oMath公式

office中公式的版本很乱，因为涉及到历史兼容原因，老版本的公式只能抽取为图片，最新版本的公式可以抽取为xml

List<CTOMath> ctoMaths = xwpfParagraph.getCTP().getOMathList();

顺带说一句，oMath可以转换为mml再转换为Latex语言

2.特殊符号

有些特殊符号是用的某种字体中的某个字符，一般使用&#x unicode进行显示

List<CTSym> ctSyms = run.getCTR().getSymList();
if (ctSyms.size() > 0) {
    String symHtml = "";
    for (CTSym ctSym : ctSyms) {
        String font = ctSym.getFont();
        byte[] chars = ctSym.getChar();
        String unicode = "";
        for (byte aChar : chars) {
            int realInt = aChar & 0xff;
            String hex = Integer.toHexString(realInt);
            if (hex.length() == 1) {
                hex = "0" + hex;
            }
        }
        unicode += hex;
    }
}

3.着重号

run.getCTR().getRPr() != null && run.getCTR().getRPr().getEm() != null && run.getCTR().getRPr().getEm().getVal().toString().equals("dot")