【JAVA_POI】解析word文档一（docx）4.1.2版本

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, 可以看到解压出来的文件夹中有word这样一个文件夹，它包含了Word文档的大部分内容。而其中的document.xml文件则包含了文档的主要文本内容。

具体来讲可以分以下几个区别：

1、运行环境不同，docx格式的文件是Office2007及以上版本保存的新型文档，而doc是Word2003以及之前版本保存的文档，如果要转化它们还需要特殊的兼容系统。

2、它们所占用的内存空间不同，docx更加节省空间。

3、它们的响应速度有所不同，docx比doc的响应速度更加快捷，并且更加方便修改文件。

4、docx格式的文件本质上是一个ZIP文件，是docx文件的容器。而doc则容纳文字格式、脚本语言及复原等资讯的文件。

二、java对word文件的解析

2.1 引入所需要的jar包

<!--解析doc文档的HWPFDocument对象在这个包里-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-scratchpad</artifactId>
    <version>4.1.2</version>
</dependency>
<!--解析docx文档的XWPFDocument对象在这个包里-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-ooxml</artifactId>
    <version>4.1.2</version>
</dependency>

2.2常用方法

XWPFDocument类（文档类）：
xd.getAllPictures(); 返回图片列表
xd.getParagraphs(); 返回段落列表
xd.getTables(); 返回表格列表
xd.getFooterList(); 返回脚脚列表
xd.getFootnotes(); 返回脚注列表
xd.getHeaderList(); 返回页眉列表
xd.getEndnotes(); 返回尾注列表

XWPFParagraph类（段落类）：
xwpfParagraph.getText(); 返回段落的文本内容，包括图片中的文本和其中的sdt元素。
xwpfParagraph.getParagraphText(); 返回段落的文本，但不返回段落中的任何对象
xwpfParagraph.getRuns()); 返回段落run的列表

XWPFTable类（表格类）：
xwpfTable.getRows(); 返回行对象XWPFTableRow

XWPFTableRow类（表格行类）：
xwpfTableRow.getTableCells(); 返回单元格对象XWPFTableCell
xwpfTableCell.getParagraphs(); 返回单元格里面的段落
xwpfTableCell.getTables(); 返回单元格里面的表格

2.3准备一个docx文件

2.4解析这个文档 DocXUtils 

package com.xuexue.firstproject.utils;

import cn.hutool.core.collection.CollUtil;
import cn.hutool.core.util.ObjectUtil;
import cn.hutool.core.util.StrUtil;
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.xwpf.usermodel.*;

import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStream;
import java.util.List;

public class DocXUtils {

    public static void main(String[] args) {
        String filePath = "F:\\work\\other\\测试docx文档解析.docx";
        String suffix = filePath.substring(filePath.lastIndexOf("."));
        if(".docx".equals(suffix)){
            System.out.println("文件类型是.docx");
            dealDocXFile(filePath);
        }
    }

    public static void dealDocXFile(String filePath){

        InputStream input = null;
        try {
            //实例化解析docx文档的对象
            input = new FileInputStream(filePath);
            XWPFDocument xd = new XWPFDocument(input);

            //1   getAllPackagePictures()此包装中的所有图片
            List<XWPFPictureData> xwpfPictureDataList2 = xd.getAllPictures();
            if(CollUtil.isNotEmpty(xwpfPictureDataList2)){
                for (XWPFPictureData xwpfPictureData : xwpfPictureDataList2) {
                    //图像的文件名
                    System.out.println("图片名称：" + xwpfPictureData.getFileName());
                }
            }

            //文本的段落
            List<XWPFParagraph> xwpfParagraphList = xd.getParagraphs();
            dealParagraph(xwpfParagraphList);



            //文本的表格
            List<XWPFTable> xwpfTableList = xd.getTables();
            dealTable(xwpfTableList);

            //页脚列表
            List <XWPFFooter> xwpfFooterList = xd.getFooterList();
            //System.out.println("页脚列表size："+xwpfFooterList.size());
            if(CollUtil.isNotEmpty(xwpfFooterList)){
                for (XWPFFooter xwpfFooter : xwpfFooterList) {
                    //页脚的文本的段落
                    dealParagraph(xwpfFooter.getParagraphs());
                    dealTable(xwpfFooter.getTables());
                    System.out.println("getText:"+xwpfFooter.getText());
                }
            }

            //脚注列表
            List <XWPFFootnote> xwpfFootnoteList = xd.getFootnotes();
            for(XWPFFootnote xwpfFootnote : xwpfFootnoteList){
                //处理脚注段落
                dealParagraph(xwpfFootnote.getParagraphs());
                dealTable(xwpfFootnote.getTables());
            }

            //页眉列表
            List <XWPFHeader> xwpfHeaderList = xd.getHeaderList();
            if(CollUtil.isNotEmpty(xwpfHeaderList)){
                for(XWPFHeader xwpfHeader : xwpfHeaderList){
                    dealParagraph(xwpfHeader.getParagraphs());
                    dealTable(xwpfHeader.getTables());
                    System.out.println(xwpfHeader.getText());
                }
            }

            //尾注列表
            List<XWPFEndnote> xwpfEndnoteList = xd.getEndnotes();
            if(CollUtil.isNotEmpty(xwpfEndnoteList)){
                for(XWPFEndnote xwpfEndnote : xwpfEndnoteList){
                    dealParagraph(xwpfEndnote.getParagraphs());
                    dealTable(xwpfEndnote.getTables());
                }
            }

        } catch (FileNotFoundException e) {
            e.printStackTrace();
            System.out.println("文件没有找到");
        } catch (IOException e) {
            e.printStackTrace();
            System.out.println("发生io异常");
        }

    }

    public static void dealParagraph(List<XWPFParagraph> xwpfParagraphListList){
        if(CollUtil.isNotEmpty(xwpfParagraphListList)){
            for(XWPFParagraph xwpfParagraph : xwpfParagraphListList){
                if(ObjectUtil.isNull(xwpfParagraph) || StrUtil.isEmpty(xwpfParagraph.getText())){
                    continue;
                }
                System.out.println("______________________________________________________________");
                //返回段落的文本内容，包括图片中的文本和其中的sdt元素。String
                System.out.println("getText~~~~~~~~~~~:"+xwpfParagraph.getText());
                //返回段落的文本，但不返回段落中的任何对象.String
                System.out.println("getParagraphText:~~"+xwpfParagraph.getParagraphText());
                System.out.println("getRuns~~~~~~~~~~~:"+xwpfParagraph.getRuns());
            }
        }

    }

    public static void dealTable(List<XWPFTable> xwpfTableList){
        if(CollUtil.isNotEmpty(xwpfTableList)){
            for(XWPFTable xwpfTable : xwpfTableList){
                //遍历行
                for(XWPFTableRow xwpfTableRow : xwpfTable.getRows()){
                    //遍历单元格
                    for(XWPFTableCell xwpfTableCell : xwpfTableRow.getTableCells()){
                        //处理段落
                        dealParagraph(xwpfTableCell.getParagraphs());
                        dealTable(xwpfTableCell.getTables());
                    }
                }
            }
        }
    }
}

对你有帮助就点个赞呗~~