Java Docx文件简介和解析

Docx简介

• 以Microsoft Office的doc/docx 为主要处理对象
• Word2003和之前都是doc，文档格式不公开
• Word2007和之后都是docx，文档格式公开，遵循XML路线
• docx 为主要研究对象
  – 文字样式
  – 表格
  – 图片
  – 公式

Java对docx文件操作

• 常见功能
  – docx解析
  – docx生成（完全生成，模板加部分生成：套打）
• 处理的第三方库
  – Jacob，COM4J (基于Windows平台)
  – POI, docx4j (纯Java的第三方库)
  – 一些其他平台的第三方库（OpenOffice/Libre Office SDK）linux平台
  – Aspose（收费）
  – 一些开源的OpenXML的包

POI

Apache POI

• poi.apche.org
• 可处理docx，xlsx，pptx，visio等office套件
• 纯Java工具包，无需第三方依赖
• 主要类
  – XWPFDocument 整个文档对象
  – XWPFParagraph 段落（以回车来定义的，并非文本上的段落）
  – XWPFRun 一个片段（字体样式相同的一段）
  – XWPFPicture 图片
  – XWPFTable 表格

读取docx文件 文本
docx整个文本对象，然后分为段落，段落分为片段，遍历进行判断，输出文本或者其他

public static void main(String[] args) throws Exception {
   
		readDocx();
	}

public static void readDocx() throws Exception {
   
		InputStream is;
		is = new FileInputStream("test.docx");
		XWPFDocument xwpf = new XWPFDocument (is);
		
		List<IBodyElement> ibs= xwpf.getBodyElements();
		for(IBodyElement ib:ibs)  //遍历文本的每一个段落
    	{
   
			BodyElementType bet = ib.getElementType();
			if(bet== BodyElementType.TABLE)
    		{
   
				//表格
				System.out.println("table" + ib.getPart());
    		}
			else
			{
   				
				//段落
				XWPFParagraph para = (XWPFParagraph) ib;
				System.out.println("It is a new paragraph....The indention is " 
				         + para.getFirstLineIndent() + "," + para.getIndentationFirstLine() );
				//System.out.println(para.getCTP().xmlText());
				
				List<XWPFRun> res = para.getRuns();  //段落再分为片段
				//System.out.println("run");
				if(res.size()<=0)
				{
   
					System.out.println("empty line");
				}
				for(XWPFRun re: res)  //遍历每一个片段
				{
   							
					if(null == re.text()||re.text().length()<=0)  //是图片
					{
   
						if(re.getEmbeddedPictures().size()>0)
						{
   
							System.out.println("image***" + re.getEmbeddedPictures().size());							
						} else
						{
   
							System.out.println("objects:" + re.getCTR().getObjectList().size());
							if(re.getCTR().xmlText().indexOf("instrText") > 0) {
   
								System.out.println("there is an equation field");
							}
							else
							{
   
								//System.out.println(re.getCTR().xmlText());
							}												
						}
					}
					else
					{
   						
						System.out.println("==="+ re.getCharacterSpacing() + re.text());
					}
				}				
			}
    	}		
		is.close();
	}

//输出
It is a new paragraph....The indention is -1,-1
===0我们是中国人，
===0 
===0C
===0hinese!
It is a new paragraph....The indention is 420,420
===0Hello ECNU! Hello China!
It is a new paragraph....The indention is -1,-1
empty line

docx中图片的读取操作

 public static void imageRead() throws IOException, InvalidFormatException {
   
        File docFile = new File("simple.docx");

        XWPFDocument doc = new XWPFDocument(OPCPackage.openOrCreate(docFile));
        
        int i = 0;
        for (XWPFParagraph p : doc.getParagraphs()) {
     
            for (XWPFRun run : p.getRuns()) {
   
            	System.out.println("a new run");
                for (XWPFPicture pic : run.getEmbeddedPictures()) {
     //有图片就进入for循环，没有会返回空
                	System.out.println(pic.getCTPicture().xmlText());
                	//image EMU(English Metric Unit)
                	System.out.println(pic.getCTPicture().getSpPr().getXfrm().getExt().getCx());
                	System.out.println(pic.getCTPicture().getSpPr().getXfrm()