本文转载自微信公众号「JAVA日知录」,作者单一色调。转载本文请联系JAVA日知录公众号。
不能每天都发鸡汤呀,今天分享一篇开发实战。
业务需求
我们有这样一个需求,需要抽取出WORD文档中的内容,然后组装成特定的json格式发送给第三方引擎接口,输入协议如下:
- {
- "tables": [
- {
- "cells": [
- {
- "col": 1,
- "row_span": 1,
- "row": 1,
- "col_span": 1,
- "content": "车辆名称"
- }
- ],
- "id": 0,
- "row_num": 2
- }
- ],
- "paragraps": [
- {
- "para_id": 1,
- "content": "Hello,JAVA日知录"
- }
- ]
- }
这个输入格式一看就是需要我们分段落和表格读取word中的内容,既然需求已定,那就直接开始动手写代码吧。
基于POI实现
把 “java如何读取word” 拿到百度去搜索,答案基本都是利用POI来实现。当然利用POI确实可以实现按段落和表格提取出内容并组装成上述格式,但是在实践过程中有下面2个问题:
需要分别处理两种格式docx、docPOI使用不同的API来读取docx和doc,所以读取逻辑我们需要编写两次。
POI读取doc的段落时会把表格的内容也读取出来 这个问题比较坑,poi有单独的方法读取文档中所有表格,但是在读取doc格式段落文档的时候会把表格内容也读取出来,所以我们需要用如下方法排除掉表格:
- //读取doc
- HWPFDocument doc = new HWPFDocument(stream);
- Range range = doc.getRange();
- //读取段落
- int num = range.numParagraphs();
- Paragraph para;
- for (int i=0; i<num; i++) {
- para = range.getParagraph(i);
- //排除表格内容
- if (!para.isInTable()) {
- System.out.println(para.text());
- }
- }
考虑以上两种原因,我们最后并没有采取POI来实现word内容提取功能,而是采用第二种方法,即利用 Spire.Doc for Java 来实现。
Spire.Doc for Java
Spire.Doc for Java 是一款专业的 Java Word 组件,开发人员使用它可以轻松地将 Word 文档创建、读取、编辑、转换和打印等功能集成到自己的 Java 应用程序中。
作为一款完全独立的组件,Spire.Doc for Java 的运行环境无需安装 Microsoft Office。官网地址是 https://www.e-iceblue.cn/,我们项目中使用的开源免费版。
首先我们修改maven仓库地址
- <repositories>
- <repository>
- <id>com.e-iceblue</id>
- <url>http://repo.e-iceblue.com/nexus/content/groups/public/</url>
- </repository>
- </repositories>
引入对应的jar包
- <dependency>
- <groupId>e-iceblue</groupId>
- <artifactId>spire.doc.free</artifactId>
- <version>3.9.0</version>
- </dependency>
读取word,这里展示的是测试类
- public class SpireApplication {
- public static void main(String[] args) {
- String path = "D:\\testDoc22.doc";
- spireParaghDoc(path);
- spireForTableOfDoc(path);
- }
- //读取段落
- public static void spireParaghDoc(String path) {
- Document doc = new Document(path);
- for (int i = 0; i < doc.getSections().getCount(); i++) {
- Section section = doc.getSections().get(i);
- for (int j = 0; j < section.getParagraphs().getCount(); j++) {
- Paragraph paragraph = section.getParagraphs().get(j);
- System.out.println(paragraph.getText());
- }
- }
- }
- //读取表格
- public static void spireForTableOfDoc(String path) {
- Document doc = new Document(path);
- for (int i = 0; i < doc.getSections().getCount(); i++) {
- Section section = doc.getSections().get(i);
- for (int j = 0; j < section.getBody().getChildObjects().getCount(); j++) {
- DocumentObject obj = section.getBody().getChildObjects().get(j);
- if (obj.getDocumentObjectType() == DocumentObjectType.Table) {
- Table table = (Table) obj;
- for (int k = 0; k < table.getRows().getCount(); k++) {
- TableRow rows = table.getRows().get(k);
- for (int p = 0; p < rows.getCells().getCount(); p++) {
- for (int h = 0; h < rows.getCells().get(p).getParagraphs().getCount(); h++) {
- Paragraph f = rows.getCells().get(p).getParagraphs().get(h);
- System.out.println(f.getText());
- }
- }
- }
- }
- }
- }
- }
- }
通过上面代码我们就可以按段落和表格读取WORD中的内容,而后根据系统业务要求的格式进行封装即可。