java poi 删除列_Office中数学公式用Java解析

作者：無式

链接：https://www.jianshu.com/p/ea7f62e3b23a

公司正在做教育类产品，在遇到数学公式时，我们一般会使用latex表达式来做保存和渲染。

在其中一个项目上，遇到一个需求是要从office文档(Word或Excel)中导入题目内容至数据库，题目内容中就有可能包括数学公式，而在文档中编辑希望使用office的公式插件来写公式元素。

其实公司之前的产品已经使用.net实现过此功能，不过现在公司全面转型Java，我们也要研究出一个适用Java的解决方案。

office文档中的公式编辑器

mathtype插件

mathtype是一个第三方的数学公式插件，它能在Office文档中启用编辑，并生成一个带有公式矢量图的ole对象插入到文档中。

原来.net的方案就是使用此种方式，使用mathtype提供的c#库包来解析ole对象，抽取LaTeX表达式。

但在纯Java环境下就无法做到了。

office自带公式编辑器

从2007版开始，Office也自带了一个公式编辑器。

在2007版中Word与Excel之间不同的是，前者插入的公式对象是Office MathML节点，后者插入的还是ole。

到了2010版开始，两个产品的公式编辑器插入的都是Office MathML节点了，但是两者对公式对象中的默认文字编码处理不同。

这些不同点可以看出就算同样属于Office的产品，他们之间也是有很多不统一的地方。

公式表达式

LaTeX

LaTeX是一种基于ΤΕΧ的排版系统，它非常适用于生成高印刷质量的科技和数学类文档。

例如勾股定理用LaTeX表达：

a^{2}+b^{2}=c^{2}

常用的LaTeX渲染组件是MathJax。

我们在项目中使用的便是LaTeX，所以本次研究就是如何将Office中的公式对象转换成LaTeX表达式。

Mathml

全称为数学标记语言(Mathematical Markup Language)，是一种基于XML的标准，用来在互联网上书写数学符号和公式的置标语言。

例如一个表达式：

np-1≡1(modp)

Office MathML (OMML)

在office2007之后版本所编辑的公式对象便是OMML。OMML是office为了配合Office Open Xml制定的数学标记语言。

例如：

π2

转换关系

我们在项目中使用到的三者之间转换关系是：OMML -> MathML -> LaTex

Office在安装目录中提供了将OMML转为MathML的xsl工具：MML2OMML.XSL

MathML转LaTex使用网上找到另一个xsl工具mmltex.xsl。

Office文档Java解析

2007与之前的版本

用过一段Office的同学们都知道，Office文档分为word与wordx这两种类型，分别对应着2007之前与之后的版本格式。

2007之前版本使用的Office文档是二进制文件。而之后版本中x代表的意义是xml，表明新版的Office文档使用Office Open Xml规范定义文件格式。

如果我们把wordx文件的扩展名改为zip，就可以正常解压出Word文档包含的所有内容。

POI

相信用Java做过信息系统的同学都遇过生成统计Excel文档或解析Excel导入数据的功能。这时我们最常使用的开发库就是Apache POI。

POI支持二进制与Office Open Xml文档，可以满足我们大部分的Office文档解析需求。

解析公式实例

首先要说明我们的功能限制：只针对Office2010及以上的Office Open Xml文档，Word和Excel均可。 其中，Excel的公式数学字符需要转为普通字符，否则会出现Java无法识别的字符。

这里用Excel文档为例子来说明解析过程。

功能实现思路

这个功能的关键点在于如何获得Office文档中的公式节点(OMML)，得到OMML后我们就可以使用上述的两个工具转换为LaTeX。

获得OMML

既然我们知道Excel文档是一个xml，那只需要使用xml解析工具读出OMML节点就行了。

先用POI得到操作的XSSFSheet：

String basePath = "f:";FileInputStream fis = new FileInputStream(basePath + "math.xlsx");OPCPackage pack = OPCPackage.open(fis);XSSFWorkbook workbook = new XSSFWorkbook(pack);XSSFSheet sheet = workbook.getSheetAt(0);

插入在Excel文档中的图片、公式及其他元素，它都是存放在一个叫drawing的单独xml文件中，其中的节点记录了元素摆放的位置信息。用POI得到drawing元素：

XSSFDrawing dr = sheet.getDrawingPatriarch();CTDrawing drawing = dr.getCTDrawing();CTOneCellAnchor[] oneCells = drawing.getOneCellAnchorArray(); //所有的图片、公式等元素

每个CTOneCellAnchor的xml里包含元素的位置信息，包括X坐标、Y坐标，所在行、所在列等，更重要的是图片或公式的描述节点。OMML节点名为m:oMathPara，这里我们就使用dom4j的xpath来获得OMML：

CTOneCellAnchor c = oneCells[0];String xml = c.xmlText(); //得到xml串//dom4j解析器的初始化SAXReader reader = reader = new SAXReader(new DocumentFactory());Map map=new HashMap();map.put("xdr