Java 解析word(2003/2007)

现在 microsoft word 有好几个版本 97、2003、2007的，这三个版本存储数据的格式上都有相当大的差别，而现在 97 基本上已经退出市场，几乎没有人用这个版本了， 所以在我们的系统中只考虑 2003 版本和 2007 版本的，因为我们只要求能够读取 word 中的文字内容即可，其中的文字样式、图片等信息可以忽略，也不用直接操作 word 文件， 所以我们选择 用 apache 的 POI 进行读取。

    读取 2003 版本(.doc)的word文件相对来说比较简单，只需要 poi-3.5-beta6-20090622.jar 和 poi-scratchpad-3.5-beta6-20090622.jar 两个 jar 包即可， 而 2007 版本(.docx)就麻烦多，我说的这个麻烦不是我们写代码的时候麻烦，是要导入的 jar 包比较的多，有如下 7 个之多：
1. openxml4j-bin-beta.jar
2. poi-3.5-beta6-20090622.jar
3. poi-ooxml-3.5-beta6-20090622.jar
4 .dom4j-1.6.1.jar
5. geronimo-stax-api_1.0_spec-1.0.jar
6. ooxml-schemas-1.0.jar
7. xmlbeans-2.3.0.jar
其中 4-7 是 poi-ooxml-3.5-beta6-20090622.jar 所依赖的 jar 包（在 poi-bin-3.5-beta6-20090622.tar.gz 中的 ooxml-lib 目录下可以找到）。

    编写代码之前我们得先下载所需要的 jar 包， 我们只需下载 poi-bin-3.5-beta6-20090622.tar.gz 和 openxml4j-bin-beta.jar 即可，因为所需要的其他 jar 包都能在 poi-bin-3.5-beta6-20090622.tar.gz 中找到, 下面是下载地址：
poi-bin-3.5-beta6-20090622.tar.gz：http://apache.etoak.com/poi/dev/bin/poi-bin-3.5-beta6-20090622.tar.gz
openxml4j-bin-beta.jar：http://mirror.optus.net/sourceforge/o/op/openxml4j/openxml4j-bin-beta.jar

    下方是读取 word 文件的 Java 代码，值得注意的是： POI 在读取 word 文件的时候不会读取 word 文件中的图片信息， 还有就是对于 2007 版的 word(.docx), 如果 word 文件中有表格，所有表格中的数据都会在读取出来的字符串的最后。

view plaincopy to clipboardprint?
import java.io.File;   
import java.io.FileInputStream;   
import java.io.InputStream;   

import org.apache.poi.POIXMLDocument;   
import org.apache.poi.POIXMLTextExtractor;   
import org.apache.poi.hwpf.extractor.WordExtractor;   
import org.apache.poi.openxml4j.opc.OPCPackage;   
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;   

/** 
* POI 读取 word 2003 和 word 2007 中文字内容的测试类<br /> 
* @createDate 2009-07-25 
* @author Carl He 
*/ 
public class Test {   
    public static void main(String[] args) {   
        try {   
            //word 2003： 图片不会被读取   
              InputStream is = new FileInputStream(new File("c:\\files\\2003.doc"));   
            WordExtractor ex = new WordExtractor(is);   
            String text2003 = ex.getText();   
            System.out.println(text2003);   

            //word 2007 图片不会被读取， 表格中的数据会被放在字符串的最后   
            OPCPackage opcPackage = POIXMLDocument.openPackage("c:\\files\\2007.docx");   
            POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);   
            String text2007 = extractor.getText();   
            System.out.println(text2007);   
               
        } catch (Exception e) {   
            e.printStackTrace();   
        }   
    }   
} 
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;

import org.apache.poi.POIXMLDocument;
import org.apache.poi.POIXMLTextExtractor;
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.openxml4j.opc.OPCPackage;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;

/**
* POI 读取 word 2003 和 word 2007 中文字内容的测试类<br />
* @createDate 2009-07-25
* @author Carl He
*/
public class Test {
    public static void main(String[] args) {
        try {
            //word 2003： 图片不会被读取
              InputStream is = new FileInputStream(new File("c:\\files\\2003.doc"));
            WordExtractor ex = new WordExtractor(is);
            String text2003 = ex.getText();
            System.out.println(text2003);

            //word 2007 图片不会被读取， 表格中的数据会被放在字符串的最后
            OPCPackage opcPackage = POIXMLDocument.openPackage("c:\\files\\2007.docx");
            POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
            String text2007 = extractor.getText();
            System.out.println(text2007);
   
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

 发现了新的、细化的、完美的 解决方案 --- Apache Tika  详见：http://eric-hou.iteye.com/blog/737629