Java利用Apache-POI解析doc和docx文档

最新推荐文章于 2024-08-31 10:13:50 发布
最新推荐文章于 2024-08-31 10:13:50 发布
阅读量2.9k 收藏 13
点赞数 4
分类专栏： SpringBoot 文章标签： ApachePOI
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_30146831/article/details/96008598
版权

背景介绍：前些天，公司需要做一个相当于wiki文档的项目，其中涉及到在SpringBoot的基础上将word的doc文档和docx文档解析为html格式文件的相关内容。

格式介绍 ：doc文档是微软为office定制的word2003版本之前的一种格式，docx是微软为word2007版本及之后所定制的一种文档格式，看后缀就知道其继承自doc，但它比doc格式更加的节省空间。在此也推荐大家都用docx格式，既节省空间，又给开发人员减少麻烦。

设计思路 ：

  1. 根据项目需要，word解析为html文件需要依据不同的格式（doc和docx）用不同的方法实现。并将html文件以String类型返回给钱前端。
  2. docx文档作为微软最新的word文档格式，兼容性，稳定性比较好，转html过程中，无论是在windows环境，还是在linux环境完全没有乱码的问题。
  3. 鉴于笔者能力有限，没能完全看懂docx解析为html文件的代码，只能按照poi的的源方式，将生成的html文件置于项目的相对路径之下，然后将其读取出来做为String对象返回给前端，最后删除临时的html文件。
  4. doc格式文档是微软的一种比较老的文档格式，在解析为html文件的过程中。出现各种各样的问题，遇到了各种不同的乱码（乱码也有好多种，有些完全是将文件给损坏了）。乱码问题也是花了好长的时间才解决，特别需要注意我在解析doc文档中写了UTF-8 的地方，写错一个地方就会在你意想不到的时候出现乱码。
  5. 解析doc文档花的时间长，但是不是没有收获，至少基本弄懂了解析doc文档为html文档的过程，实现了直接将String类型的html文件直接返回给前端，而不是临时置于相对路径下，然后在去读取，然后删除。
  6. 解析过程中，word文档中的图片，在poi中是以二进制的方式存在，由于项目的需要，我将这些二进制图片传至阿里云oss，然后将得到的图片链接替换到html文件的图片链接处（文中关于此部分的内容已经删除）
  7. 需要自定义图片链接的话需要重写FileImageExtractor、BasicURIResolver方法（docx格式），setPicturesManager（doc格式）

POM文件 ：pom文件的引入至关重要，一定不能出现版本的的差异，我现在用的虽然不是最新的版本，但是贵在没有版本之间的不兼容

		<dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi</artifactId>
            <version>3.12</version>
        </dependency>
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-ooxml-schemas</artifactId>
            <version>3.10-FINAL</version>
        </dependency>
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-ooxml</artifactId>
            <version>3.10-FINAL</version>
        </dependency>
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-scratchpad</artifactId>
            <version>3.12</version>
        </dependency>

        <dependency>
            <groupId>fr.opensagres.xdocreport</groupId>
            <artifactId>xdocreport</artifactId>
            <version>2.0.1</version>
        </dependency>

        <dependency>
            <groupId>fr.opensagres.xdocreport</groupId>
            <artifactId>fr.opensagres.xdocreport.document</artifactId>
            <version>2.0.1</version>
        </dependency>

        <dependency>
            <groupId>fr.opensagres.xdocreport</groupId>
            <artifactId>org.apache.poi.xwpf.converter.core</artifactId>
            <version>1.0.6</version>
        </dependency>

        <dependency>
            <groupId>fr.opensagres.xdocreport</groupId>
            <artifactId>org.apache.poi.xwpf.converter.pdf</artifactId>
            <version>1.0.6</version>
        </dependency>

        <dependency>
            <groupId>fr.opensagres.xdocreport</groupId>
            <artifactId>org.apache.poi.xwpf.converter.xhtml</artifactId>
            <version>1.0.6</version>
        </dependency>
        <!-- apache poi系列 ****  往上-->

代码实现：

docx格式：

/**
     * DOCX文档解析
     * 
     * @param inputStream
     *            输入流
     * @throws Exception
     *             异常
     */
    private AnalysisDTO docxToHtml(InputStream inputStream) throws Exception {

        OutputStreamWriter outputStreamWriter = null;

        BufferedReader bf = null;

        // 线程安全的list
        List<AnalysisPicMsgDTO> ossList = Collections.synchronizedList(new ArrayList<AnalysisPicMsgDTO>());

        // 使用ThreadLocal实现线程间的共享
        ThreadLocal<String> threadLocal = new ThreadLocal<String>();

        Long htmlId = IdWorkerUtil.getId();

        try {
            XWPFDocument document = new XWPFDocument(inputStream);

            XHTMLOptions options = XHTMLOptions.create();

            // 存放图片的文件夹，设置为空是因为对当前类进行了重写
            options.setExtractor(new FileImageExtractor(new File("E:\000000000")));

            // html中图片的路径，
            options.URIResolver(new BasicURIResolver(new File("E:\000000000")));

            // 文件输出到项目文件处
            outputStreamWriter = new OutputStreamWriter(new FileOutputStream(htmlPath(htmlId)), "utf-8");

            // 获取实例
            XHTMLConverter xhtmlConverter = (XHTMLConverter) XHTMLConverter.getInstance();

            // 转化为xhtml
            xhtmlConverter.convert(document, outputStreamWriter, options);

            // 从项目处读取html文件
            StringBuffer buffer = new StringBuffer();

            bf = new BufferedReader(new FileReader(htmlPath(htmlId)));

            String s = null;

            // 使用readLine方法，一次读一行
            while ((s = bf.readLine()) != null) {
                buffer.append(s.trim());
            }

            // 去除样式（去除html中的style样式，不需要的话，此句完全可以删除）
            String content = CommonUtil.delDangerHTMLTag(buffer.toString());

            // 删除临时文件
            deleteTemporaryHtmlFile(htmlPath(htmlId));

            AnalysisDTO dto = new AnalysisDTO();

            dto.setHtmlFile(content);
            dto.setOssKeyList(ossList);

            // 读取的文件转化为dto类型的html文件
            return dto;
        } catch (IOException e) {
            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【docx】文档为html时，出现IO异常"), e);
            throw new ServiceException(ErrorCodes.ANALYSIS_DOCX_IO_EXCEPTION);
        } catch (Exception e) {
            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【docx】文档为为html时，出现一般异常"), e);
            throw new ServiceException(ErrorCodes.ANALYSIS_DOCX_EXCEPTION);
        } finally {
            if (outputStreamWriter != null) {
                outputStreamWriter.close();
            }
            if (null != bf) {
                bf.close();
            }
            // 再次删除临时文件
            deleteTemporaryHtmlFile(htmlPath(htmlId));

            // 释放线程缓存，保证安全
            threadLocal.remove();
        }
    } 
    

   /**
     * 获取相对路径
     */
    private String htmlPath(Long htmlId) throws Exception {

        StringBuffer sb = new StringBuffer();

        sb.append("src/main/resources/temporaryHtml/");
        sb.append(htmlId);
        sb.append(".html");

        return sb.toString();
    }

    /**
     * 删除临时文件（相对路径下面）
     */
    private void deleteTemporaryHtmlFile(String oppositeFilePath) throws Exception {

        File file = new File(oppositeFilePath);

        if (file.isFile() && file.exists()) {
            file.delete();
        }
    }

doc文档

  /**
     * DOC文档解析
     * 
     * @param inputStream
     *            输入流
     * @throws Exception
     *             异常
     */
    private AnalysisDTO docToHtml(InputStream inputStream) throws Exception {

        BufferedReader bf = null;

        List<AnalysisPicMsgDTO> ossList = Collections.synchronizedList(new ArrayList<>());

        try {

            HWPFDocument wordDocument = new HWPFDocument(inputStream);

            Document document = DocumentBuilderFactory.newInstance().newDocumentBuilder().newDocument();

            WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(document);

            /**
             * 1.保存图片，并返回图片的相对路径（为异步）
             * 
             * 2.content 二进制的图片文件
             *
             * 3.pictureType图片类型（后缀）
             *
             * 4.name 文件名称
             */
            wordToHtmlConverter.setPicturesManager((content, pictureType, name, width, height) -> {

                String attachmentUrl = "";
                // oss获取成功
                if (ret.isSuccess()) {
                    attachmentUrl = (String) ret.getResult().getData();
                }
                // 返回上传后的阿里云oss路径，并替换到文档处
                return attachmentUrl;
            });

            wordToHtmlConverter.processDocument(wordDocument);

            Document htmlDocument = wordToHtmlConverter.getDocument();

            ByteArrayOutputStream outStream = new ByteArrayOutputStream();

            DOMSource domSource = new DOMSource(htmlDocument);

            StreamResult streamResult = new StreamResult(outStream);

            // 获取转化工厂实例
            TransformerFactory tf = TransformerFactory.newInstance();

            Transformer serializer = tf.newTransformer();

            // 设置格式，编码，缩进信息，并执行转换
            setLayOutMsg(serializer, domSource, streamResult, "UTF-8");

            outStream.close();
            String content = new String(outStream.toByteArray(), "UTF-8");

            // 去除样式(去除HTML的style样式，不要要的话，本句可以删除)
            String strContent = CommonUtil.delDangerHTMLTag(content);

            AnalysisDTO dto = new AnalysisDTO();
            dto.setHtmlFile(strContent);
            dto.setOssKeyList(ossList);

            return dto;
        } catch (FileNotFoundException e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档时，未找到文档"), e);
            throw new ServiceException(ErrorCodes.NOT_FIND_DOC);
        } catch (IOException e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档为html时，出现IO异常"), e);
            throw new ServiceException(ErrorCodes.ANALYSIS_DOC_IO_EXCEPTION);
        } catch (ParserConfigurationException e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档为html时，解析器配置异常"), e);
            throw new ServiceException(ErrorCodes.PARSER_CONFIGURATION_EXCEPTION);
        } catch (TransformerConfigurationException e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档为html时，变压器配置异常"), e);
            throw new ServiceException(ErrorCodes.TRANSFORMER_CONFIGURATION_EXCEPTION);
        } catch (TransformerFactoryConfigurationError e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档为html时，变压器出厂配置错误"), e);
            throw new ServiceException(ErrorCodes.PARSER_CONFIGURATION_EXCEPTION);
        } catch (TransformerException e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档为html时，变压器异常"), e);
            throw new ServiceException(ErrorCodes.PARSER_CONFIGURATION_EXCEPTION);
        } catch (Exception e) {

            LOG.error(EventLog.cast(LogType.DOCUMENT, "解析【doc】文档为html时，出现普通异常"), e);
            throw new ServiceException(ErrorCodes.ANALYSIS_DOC_EXCEPTION);
        } finally {

            if (null != bf) {
                bf.close();
            }
            if (null != inputStream) {
                inputStream.close();
            }
        }
    }



    /**
     * 设置格式，编码，缩进等信息
     */
    private void setLayOutMsg(Transformer serializer, DOMSource domSource, StreamResult streamResult, String fileCode) throws Exception {

        String defaultCode = serializer.getOutputProperties().getProperty(OutputKeys.ENCODING);

        LOG.info("JAVA默认编码格式为：" + defaultCode);

        // 编码
        serializer.setOutputProperty(OutputKeys.ENCODING, fileCode);

        // 缩进
        serializer.setOutputProperty(OutputKeys.INDENT, "yes");

        // 格式
        serializer.setOutputProperty(OutputKeys.METHOD, "html");

        serializer.transform(domSource, streamResult);
    }

总结

  1. 本文中只是讲解了实现方法和贴了关键代码，并不能直接运行。
  2. 解析doc格式的文档一定要注意编码，笔者遇到好多次编码错乱的问题。
  3. 若是不知道导入哪些pom文件，上文的pom文件可以完全照搬。
Vicolen.Hao
关注
专栏目录
JAVA用poi解析doc、docx、slx、xlsx,保证完整
08-01
JAVA用poi解析doc、docx、slx、xlsx,代码我整合在一个类中，生成的是一个html，自己仔细阅读，大部分功能都能实现了,附带了POI3.8给大家
JAVA用poi解析doc、docx、slx、xlsx
01-28
JAVA用poi解析doc、docx、slx、xlsx,代码我整合在一个类中，生成的是一个html，自己仔细阅读，大部分功能都能实现了,附带了POI3.8给大家
深入解析微软Word DOC二进制文件格式
最新发布
weixin_30533301的博客
08-31 1241
本文还有配套的精品资源，点击获取 简介：本介绍深入探讨了微软Word在DOC97至DOC2007版本中所使用的二进制文件格式。DOC文件由包含不同类型信息的记录组成，且具有特定的记录类型、头部信息、文字格式化编码以及段落和分页规则。此外，还包含对如何嵌入对象、使用样式和模板以及解决不同版本间的兼容性问题的详细说明。解析工具和安全性问题也被提及，为需要处理和分析DOC文件的开...
【JAVA_POI】解析word文档一（docx）4.1.2版本
雪小白
08-18 3276
一、.doc和.docx两种后缀的区别 docx文件比doc文件所占用空间更bai小。 docx格式的文件本质du上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可dao以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。 docx 格式文件的主要内容是保存为XML格式的，但文件并非直接保存于磁盘。它是保存在一个ZIP文件中，然后取扩展名为docx。将.docx 格式的文件后缀改为ZIP后解压, 可以看到解压...
java解析doc
11-19
java支持解析、读取doc、docx文件的jar包
【JAVA_POI】解析word文档二（doc）4.1.2版本
雪小白
08-19 2299
一、.doc和.docx两种后缀的区别 docx文件比doc文件所占用空间更bai小。 docx格式的文件本质du上是一个ZIP文件。将一个docx文件的后缀改为ZIP后是可dao以用解压工具打开或是解压的。事实上，Word2007的基本文件就是ZIP格式的，他可以算作是docx文件的容器。 docx 格式文件的主要内容是保存为XML格式的，但文件并非直接保存于磁盘。它是保存在一个ZIP文件中，然后取扩展名为docx。将.docx 格式的文件后缀改为ZIP后解压, 可以看到解压...
WORD解析：使用poi解析doc和docx
热门推荐
编程学习者的博客
10-24 1万+
1.pom依赖 <!-- https://mvnrepository.com/artifact/org.apache.poi/poi --> <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi</artifactId> <versio...
poi解析doc文件内容
内事问度娘，外事问谷歌！
07-20 308
package com.app.doc; import java.io.File; import java.io.FileInputStream; import java.io.InputStream; import org.apache.poi.hwpf.extractor.WordExtractor; /** *poi-3.9-20121203.jar *poi...
java poi解析doc和docx中的数据
lvbaolin123的博客
04-07 3598
这个功能是工作中遇到的一个需求，需要把上传的word中的内容解析出来，其中包含段落字符串解析，和表格中的数据解析出来，需要支持doc和docx格式的数据 1、增加maven中的包 <dependency> <groupId>org.apache.poi</groupId> <artifactId>poi-scratchpad</artifactId> <version>3.17</version>
java使用poi读取doc和docx文件的实现示例
08-19
使用Apache POI，开发者可以在Java程序中创建、修改、显示和转换Microsoft Office格式的文件，比如Word文档(.doc和.docx)。 在Java中使用POI读取Word文档（.doc和.docx）时，需要区分这两种格式，因为它们内部存储...
word内容提取 word转html-POI wps doc docx转html
03-08
Apache POI处理DOC和DOCX文件时，理论上也适用于WPS产生的文档，但可能会遇到一些特定于WPS的格式问题，需要进行额外的测试和适配。 综上所述，Apache POI是一个强大的工具，它使得在Java环境中处理Word文档变得...
Poi解析Doc，Docx文件资源
01-25
1.android本地对Word文件进行操作的所有jar包； 2.只是对Word文件的两种格式的读取操作，不涉及写操作。
java Apache poi 对word doc文件进行读写操作
11-22
使用POI读写Word doc文件 Apache poi的hwpf模块是专门用来对word doc文件进行读写操作的。在hwpf里面我们使用HWPFDocument来表示一个word doc文档
.doc文件内部结构解析 + 二进制流查看工具
04-10
内附有微软发布的.doc文件的内部结构解析说明，还有一个免费的二进制流查看器（不支持.docx）。
使用 POI 解析 Word文档
07-16
使用 POI 解析 Word 文档，可以解析 Word 信息。
Apache-POI-3.9.zip_Apache-POI
09-24
Apache POI 提供了Java API，使得开发者可以在Java环境中读取、写入和修改Microsoft Office文档。在3.9版本中，开发者可以利用这些API来执行以下操作： 1. **Excel处理**：使用HSSF（Horrible Spreadsheet Format）...
POI解析word文档
jane_feng的博客
07-26 1万+
import com.sinitek.sirm.web.plm.funddate.MatchingObject; import org.apache.log4j.Logger; import org.apache.poi.hwpf.HWPFDocument; import org.apache.poi.hwpf.model.PicturesTable; import org.apache.poi...
java简单解析docx、pptx、xlsx文档
fonter
07-05 660
java解析Office文档最有名的开源包当属Apache的Poi，目前的版本已支持Office 2007文档解析，同时向下兼容。下面是简单的解析代码： import java.io.File; import org.apache.poi.POITextExtractor; import org.apache.poi.extractor.ExtractorFactory; publ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值