利用poi读取doc和docx中某文字下最接近的表格数据

分享一个利用poi读取doc和docx中某文字下最接近的表格数据的方法

---

1. 引入如下包
   由于我这边用到easyexcel的其他功能，所以引用了这个包，这个包里包含了操作docx的包

	  <!-- 阿里云easyexcel -->
	  <dependency>
		  <groupId>com.alibaba</groupId>
		  <artifactId>easyexcel</artifactId>
		  <version>3.1.3</version>
	  </dependency>
	  <!-- 操作doc -->
	  <dependency>
		  <groupId>org.apache.poi</groupId>
		  <artifactId>poi-scratchpad</artifactId>
		  <version>4.1.2</version>
	  </dependency>

2. filePath为文件路径，findStr为需要定位的文字

public static void main(String[] args)  {
//        testTable("C:\\Users\\zhouchuxiang\\Desktop\\新建 DOCX 文档.docx", "11");
        testTable("C:\\Users\\zhouchuxiang\\Desktop\\新建 DOCX 文档 (2).docx", "性别");
    }

    private static void testTable(String filePath, String findStr) {
        InputStream is = null;
        try {
            is = new FileInputStream(filePath);
            if (filePath.endsWith(".docx")) {
                handleDocx(is, findStr);
            } else if (filePath.endsWith(".doc")) {
                handleDoc(is, findStr);
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            try {
                if (is != null) {
                    is.close();
                }
            } catch (Exception e) {
                e.printStackTrace();
            }
        }
    }

3. 以下是操作doc的方法

static void handleDoc(InputStream inputStream, String findStr) throws Exception {
        //word 2003： 图片不会被读取
        HWPFDocument hwpf = new HWPFDocument(inputStream);
        //得到文档的读取范围
        Range range = hwpf.getRange();
        //是否可以查找表格元素标识
        boolean flagToFindTable = false;
        //获取段落数
        int paraNum = range.numParagraphs();
        for (int temp = 0; temp < paraNum; temp++) {
            //读取段落
            Paragraph paragraph = range.getParagraph(temp);
            //System.out.println("段落"+temp+"的值:"+paragraph.text());
            //当前段落包含查询文字 但查询文字不在表格中
            if (paragraph.text().contains(findStr) && !paragraph.isInTable() && !flagToFindTable) {
                flagToFindTable = true;
            }
            //查找到 查询文字 后再执行
            if (!flagToFindTable) {
                continue;
            }
            //确认段落为表格首个段落
            if (paragraph.isInTable()) {
                Table tb = range.getTable(paragraph);
                //迭代行，默认从0开始
                for (int i = 0; i < tb.numRows(); i++) {
                    TableRow tr = tb.getRow(i);
                    //迭代列，默认从0开始
                    for (int j = 0; j < tr.numCells(); j++) {
                        //取得单元格
                        TableCell td = tr.getCell(j);
                        //取得单元格的内容
                        String tempStr = "";
                        for (int k = 0; k < td.numParagraphs(); k++) {
                            Paragraph para = td.getParagraph(k);
                            String s = para.text().trim();
                            tempStr += s;
                        }
                        System.out.print(tempStr + "\t");
                    }
                    System.out.println();
                }
                break;
            }
        }
    }

4. 以下是操作docx的方法

 static void handleDocx(InputStream inputStream, String findStr) throws Exception {
        XWPFDocument document = new XWPFDocument(inputStream);
        List<IBodyElement> bodyElements = document.getBodyElements();
        //是否可以查找表格元素标识
        boolean flagToFindTable = false;
        for (IBodyElement bodyElement : bodyElements) {
            BodyElementType elementType = bodyElement.getElementType();
            //按顺序循环 先查前面哪个段落有查询文字
            if (elementType == BodyElementType.PARAGRAPH && !flagToFindTable) {
                //段落
                XWPFParagraph para = (XWPFParagraph) bodyElement;
                List<XWPFRun> runs = para.getRuns();
                if (runs == null || runs.isEmpty()) {
                    continue;
                }
                for (XWPFRun run : runs) {
                    //如果片段没有文字，可能该片段是图片
                    if (StringUtils.isNotEmpty(run.text())) {
                        //该片段不为空
                        if (run.text().contains(findStr)) {
                            //如果该段落包含这段查询文字
                            flagToFindTable = true;
                        }
                    }
                }
            }

            if (elementType == BodyElementType.TABLE && flagToFindTable) {
                //表格
                XWPFTable table = (XWPFTable) bodyElement;
                List<XWPFTableRow> rows = table.getRows();
                //读取每一行数据
                for (int i = 0; i < rows.size(); i++) {
                    XWPFTableRow row = rows.get(i);
                    //读取每一列数据
                    List<XWPFTableCell> cells = row.getTableCells();
                    for (int j = 0; j < cells.size(); j++) {
                        XWPFTableCell cell = cells.get(j);
                        System.out.print(cell.getText() + "\t");
                    }
                    System.out.println();
                }
                break;
            }
        }
        if (!flagToFindTable) {
            System.out.println(String.format("该word文档无[%s]文字,请重新输入查找表格", findStr));
        }
    }

注意：这种方式只能识别原始的DOC，如果把DOCX文件通过修改文件扩展名的方式来改成DOC，代码是无法识别的