[[387140]]

本文轉(zhuǎn)載自微信公眾號(hào)「JAVA日知錄」，作者單一色調(diào)。轉(zhuǎn)載本文請(qǐng)聯(lián)系JAVA日知錄公眾號(hào)。

不能每天都發(fā)雞湯呀，今天分享一篇開(kāi)發(fā)實(shí)戰(zhàn)。

業(yè)務(wù)需求

我們有這樣一個(gè)需求，需要抽取出WORD文檔中的內(nèi)容，然后組裝成特定的json格式發(fā)送給第三方引擎接口，輸入?yún)f(xié)議如下：

{ 
    "tables": [ 
        { 
            "cells": [ 
                { 
                    "col": 1, 
                    "row_span": 1, 
                    "row": 1, 
                    "col_span": 1, 
                    "content": "車(chē)輛名稱" 
                } 
            ], 
            "id": 0, 
            "row_num": 2 
        } 
    ], 
    "paragraps": [ 
        { 
            "para_id": 1, 
            "content": "Hello,JAVA日知錄" 
        } 
    ] 
} 

這個(gè)輸入格式一看就是需要我們分段落和表格讀取word中的內(nèi)容，既然需求已定，那就直接開(kāi)始動(dòng)手寫(xiě)代碼吧。

基于POI實(shí)現(xiàn)

把 “java如何讀取word” 拿到百度去搜索，答案基本都是利用POI來(lái)實(shí)現(xiàn)。當(dāng)然利用POI確實(shí)可以實(shí)現(xiàn)按段落和表格提取出內(nèi)容并組裝成上述格式，但是在實(shí)踐過(guò)程中有下面2個(gè)問(wèn)題：

需要分別處理兩種格式docx、docPOI使用不同的API來(lái)讀取docx和doc，所以讀取邏輯我們需要編寫(xiě)兩次。

POI讀取doc的段落時(shí)會(huì)把表格的內(nèi)容也讀取出來(lái) 這個(gè)問(wèn)題比較坑，poi有單獨(dú)的方法讀取文檔中所有表格，但是在讀取doc格式段落文檔的時(shí)候會(huì)把表格內(nèi)容也讀取出來(lái)，所以我們需要用如下方法排除掉表格：

//讀取doc 
HWPFDocument doc = new HWPFDocument(stream); 
Range range = doc.getRange(); 
 
//讀取段落 
int num = range.numParagraphs(); 
Paragraph para; 
for (int i=0; i<num; i++) { 
    para = range.getParagraph(i); 
    //排除表格內(nèi)容 
    if (!para.isInTable()) { 
        System.out.println(para.text()); 
    } 
} 

考慮以上兩種原因，我們最后并沒(méi)有采取POI來(lái)實(shí)現(xiàn)word內(nèi)容提取功能，而是采用第二種方法，即利用 Spire.Doc for Java 來(lái)實(shí)現(xiàn)。

Spire.Doc for Java

Spire.Doc for Java 是一款專業(yè)的 Java Word 組件，開(kāi)發(fā)人員使用它可以輕松地將 Word 文檔創(chuàng)建、讀取、編輯、轉(zhuǎn)換和打印等功能集成到自己的 Java 應(yīng)用程序中。

作為一款完全獨(dú)立的組件，Spire.Doc for Java 的運(yùn)行環(huán)境無(wú)需安裝 Microsoft Office。官網(wǎng)地址是 https://www.e-iceblue.cn/，我們項(xiàng)目中使用的開(kāi)源免費(fèi)版。

首先我們修改maven倉(cāng)庫(kù)地址

<repositories> 
    <repository> 
        <id>com.e-iceblue</id> 
        <url>http://repo.e-iceblue.com/nexus/content/groups/public/</url> 
    </repository> 
</repositories> 

引入對(duì)應(yīng)的jar包

<dependency> 
    <groupId>e-iceblue</groupId> 
    <artifactId>spire.doc.free</artifactId> 
    <version>3.9.0</version> 
</dependency> 

讀取word，這里展示的是測(cè)試類

public class SpireApplication { 
 
    public static void main(String[] args) { 
        String path = "D:\\testDoc22.doc"; 
        spireParaghDoc(path); 
        spireForTableOfDoc(path);  
    } 
 
    //讀取段落 
    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()); 
            } 
        } 
    } 
 
    //讀取表格 
    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()); 
                            } 
                        } 
                    } 
                } 
            } 
        } 
    } 
 
} 

通過(guò)上面代碼我們就可以按段落和表格讀取WORD中的內(nèi)容，而后根據(jù)系統(tǒng)業(yè)務(wù)要求的格式進(jìn)行封裝即可。