后端开发

实战 | JAVA读取WORD,包含表格

2023-04-11 18:41:11 zhangcb 45

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docHWPFDocument 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。


首页
文章
联系