实战 | Java读取Word，包含表格!-java 读取word

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。