java 读取word内容

'# Java 读取 Word 内容

一、背景与问题

在企业级应用中，Word 文档常被用于存储结构化数据，例如报告、表单、合同等。开发人员可能需要从 Word 文档中提取文本、表格、图片等信息，甚至进行内容分析或数据持久化。然而，Word 文档的格式复杂性给开发带来了挑战：

• 文件格式差异：.doc（二进制格式）和 .docx（基于 XML 的 ZIP 包）的结构差异巨大
• 内容嵌套：段落、表格、图片、样式等元素嵌套层级复杂
• 兼容性问题：不同版本 Word 的保存方式差异导致解析异常
• 性能瓶颈：处理大型文档时内存占用过高

本文将深入探讨 Java 中读取 Word 内容的实现原理，分析不同方案的适用场景，并提供可运行的完整代码示例。

二、基本原理

1. Word 文档格式分析

• .doc：二进制格式，基于 Microsoft 的 OLE（Object Linking and Embedding）技术

  • 由多个记录（records）组成，每个记录包含类型标识和数据
  • 需要使用专门的二进制解析库（如 Apache POI 的 HWPF 模块）

• .docx：ZIP 压缩包，内部包含 XML 文件

  • 根目录下包含 [Content_Types].xml、_rels、word 等目录
  • word/document.xml 是核心内容文件，包含所有文本和格式信息
  • 使用 Apache POI 的 XWPF 模块或 docx4j 进行解析

2. Java 解析方案对比

三、环境准备

1. 依赖配置（Maven）

<dependencies>
    <!-- Apache POI - .docx 处理 -->
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-ooxml</artifactId>
        <version>5.2.3</version>
    </dependency>
    <!-- docx4j - .docx 处理 -->
    <dependency>
        <groupId>org.docx4j</groupId>
        <artifactId>docx4j</artifactId>
        <version>8.3.1</version>
    </dependency>
    <!-- JODConverter - 转换为 PDF -->
    <dependency>
        <groupId>org.jodconverter</groupId>
        <artifactId>jodconverter-core</artifactId>
        <version>3.1.1</version>
    </dependency>
</dependencies>

2. 文档准备

准备两个测试文件：

• test.doc（旧版 .doc 格式）
• test.docx（新版 .docx 格式）

四、核心实现

1. Apache POI 读取 .docx 文档

import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFParagraph;
import org.apache.poi.xwpf.usermodel.XWPFTable;
import org.apache.poi.xwpf.usermodel.XWPFTableCell;
import org.apache.poi.xwpf.usermodel.XWPFTableRow;

import java.io.FileInputStream;
import java.io.IOException;
import java.util.List;

public class DocxReader {
    public static void main(String[] args) {
        try (FileInputStream fis = new FileInputStream("test.docx")) {
            XWPFDocument document = new XWPFDocument(fis);
            
            // 读取段落
            for (XWPFParagraph paragraph : document.getParagraphs()) {
                System.out.println("段落: " + paragraph.getText());
            }

            // 读取表格
            for (XWPFTable table : document.getTables()) {
                System.out.println("表格: ");
                for (XWPFTableRow row : table.getRows()) {
                    for (XWPFTableCell cell : row.getTableCells()) {
                        System.out.println("  单元格内容: " + cell.getText());
                    }
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

关键代码解析：

• XWPFDocument 是核心类，用于封装 .docx 文档
• getParagraphs() 返回所有段落，getText() 获取纯文本
• getTables() 返回所有表格，遍历行和单元格提取内容
• 注意：此代码不处理样式、图片等复杂元素

2. docx4j 读取 .docx 文档

import org.docx4j.jaxb.Context;
import org.docx4j.openpackaging.packages.WordprocessingMLPackage;
import org.docx4j.openpackaging.parts.WordprocessingML.StyleDefinitionsPart;
import org.docx4j.openpackaging.parts.WordprocessingML.TextPart;

import java.io.File;
import java.util.List;

public class Docx4jReader {
    public static void main(String[] args) {
        try {
            WordprocessingMLPackage docx = WordprocessingMLPackage.load(new File("test.docx"));
            
            // 获取所有段落
            List<TextPart> textParts = docx.getMainDocumentPart().getContents().get(0);
            for (TextPart textPart : textParts) {
                System.out.println("段落: " + textPart.getText());
            }

            // 获取样式定义
            StyleDefinitionsPart stylePart = docx.getMainDocumentPart().getStyleDefinitionsPart();
            System.out.println("样式定义: " + stylePart.getDefinitions().get(0).getPStyle().get(0).getName());
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

关键代码解析：

• WordprocessingMLPackage 是 docx4j 的核心类
• getMainDocumentPart() 获取主文档部分，getContents() 返回所有段落
• StyleDefinitionsPart 用于获取样式信息
• 注意：此代码需要处理 XML 转换，可能需要额外的依赖（如 Jaxb）

3. JODConverter 转换为 PDF

import org.jodconverter.DocumentConverter;
import org.jodconverter.converters.PdfConverter;
import org.jodconverter.core.DocumentFormat;
import org.jodconverter.core.converter.ConvertRequest;
import org.jodconverter.core.job.Job;

import java.io.File;

public class WordToPdfConverter {
    public static void main(String[] args) {
        // 配置 LibreOffice 服务路径
        System.setProperty("jodconverter.office-home", "/usr/lib/libreoffice");

        DocumentConverter converter = new DocumentConverter();
        Job job = converter.convert(new ConvertRequest(new File("test.docx"))
                .to(new File("test.pdf"))
                .as(DocumentFormat.DOCX, DocumentFormat.PDF));
        
        job.start();
    }
}

关键代码解析：

• DocumentConverter 是核心类，用于启动转换任务
• ConvertRequest 指定输入输出文件和格式
• 需要配置 LibreOffice 的安装路径（Linux 系统）
• 此方案不直接读取内容，而是通过转换获取 PDF 格式

五、完整案例

场景：从 Word 表单中提取数据并存入数据库

需求：

• 读取 student.docx 中的表格，提取学生姓名、学号、专业
• 将数据存入 MySQL 数据库

代码实现：

import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFTable;
import org.apache.poi.xwpf.usermodel.XWPFTableRow;
import org.apache.poi.xwpf.usermodel.XWPFTableCell;

import java.io.FileInputStream;
import java.io.IOException;
import java.sql.Connection;
import java.sql.DriverManager;
import java.sql.PreparedStatement;

public class WordToDatabase {
    public static void main(String[] args) {
        try (FileInputStream fis = new FileInputStream("student.docx");
             XWPFDocument document = new XWPFDocument(fis)) {

            // 提取表格数据
            List<XWPFTable> tables = document.getTables();
            for (XWPFTable table : tables) {
                for (XWPFTableRow row : table.getRows()) {
                    List<XWPFTableCell> cells = row.getTableCells();
                    if (cells.size() == 3) {
                        String name = cells.get(0).getText();
                        String id = cells.get(1).getText();
                        String major = cells.get(2).getText();
                        
                        // 存入数据库
                        saveToDatabase(name, id, major);
                    }
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }

    private static void saveToDatabase(String name, String id, String major) {
        String url = "jdbc:mysql://localhost:3306/testdb?useSSL=false";
        String user = "root";
        String password = "password";

        String sql = "INSERT INTO students (name, student_id, major) VALUES (?, ?, ?)";

        try (Connection conn = DriverManager.getConnection(url, user, password);
             PreparedStatement stmt = conn.prepareStatement(sql)) {
            stmt.setString(1, name);
            stmt.setString(2, id);
            stmt.setString(3, major);
            stmt.executeUpdate();
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

关键点说明：

• 使用 PreparedStatement 防止 SQL 注入
• 表格列数校验（3列：姓名、学号、专业）
• 可扩展为批量插入或事务处理

六、源码解析

1. Apache POI 的 XWPFDocument 源码

public class XWPFDocument {
    private XWPFHeaderFooterPolicy headerFooterPolicy;
    private XWPFBody body;
    private XWPFDocumentProperties docProps;

    public XWPFDocument(InputStream is) {
        // 初始化解析逻辑，读取 ZIP 包中的 XML 文件
        // 解析 word/document.xml 为内部结构
    }

    public List<XWPFParagraph> getParagraphs() {
        // 返回所有段落对象
        return body.getParagraphs();
    }

    public List<XWPFTable> getTables() {
        // 返回所有表格对象
        return body.getTables();
    }
}

关键点：

• XWPFDocument 是封装了 ZIP 解包和 XML 解析的高层类
• 实际解析依赖底层的 XMLWordPrintable 类
• 复杂格式（如嵌套表格）需要递归处理

七、进阶使用

1. 处理复杂格式（样式、图片、超链接）

import org.apache.poi.xwpf.usermodel.XWPFParagraph;
import org.apache.poi.xwpf.usermodel.XWPFHyperlink;
import org.apache.poi.xwpf.usermodel.XWPFRun;

public class AdvancedReader {
    public static void main(String[] args) {
        try (FileInputStream fis = new FileInputStream("advanced.docx")) {
            XWPFDocument doc = new XWPFDocument(fis);
            for (XWPFParagraph para : doc.getParagraphs()) {
                for (XWPFRun run : para.getRuns()) {
                    // 处理文字样式（字体、颜色、加粗等）
                    System.out.println("文字: " + run.getText(0));
                    // 处理超链接
                    for (XWPFHyperlink link : run.getHyperlinks()) {
                        System.out.println("超链接: " + link.getUri());
                    }
                }
            }
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

关键点：

• XWPFRun 表示段落中的文本块，包含样式信息
• 超链接需要通过 XWPFHyperlink 获取 URI
• 图片和图表需要额外的处理逻辑

八、性能与工程实践

1. 性能优化策略

2. 安全风险分析

• 宏病毒：.doc 文档可能包含宏代码，需使用 HWPFDocument 的 setIgnoreInvalidContent 方法过滤
• 恶意内容：.docx 中的嵌入对象（如 OLE 对象）可能包含恶意代码，需在解析前进行沙箱处理
• 格式欺骗：攻击者可能通过特殊格式构造恶意内容，建议对文档进行校验（如使用 docx4j 的验证机制）

九、常见问题与踩坑

1. 常见错误及解决方法

2. 典型错误示例

// 错误代码：未处理异常格式
public void readBadDocument(String filePath) {
    XWPFDocument doc = new XWPFDocument(new FileInputStream(filePath));
    for (XWPFParagraph para : doc.getParagraphs()) {
        System.out.println(para.getText());
    }
}

问题：

• 未处理 FileInputStream 的异常
• 未关闭 XWPFDocument 资源
• 未检查文档是否为 .docx 格式

改进代码：

public void readSafeDocument(String filePath) {
    try (FileInputStream fis = new FileInputStream(filePath);
         XWPFDocument doc = new XWPFDocument(fis)) {
        // 检查文件格式
        if (!filePath.endsWith(".docx")) {
            throw new IllegalArgumentException("仅支持 .docx 格式");
        }
        // 安全处理
        for (XWPFParagraph para : doc.getParagraphs()) {
            System.out.println(para.getText());
        }
    } catch (Exception e) {
        System.err.println("读取失败: " + e.getMessage());
    }
}

十、最佳实践

1. 选择合适的工具

• 简单文本提取：使用 Apache POI 的 XWPFDocument
• 复杂格式处理：使用 docx4j 或 JODConverter
• 需要转换格式：使用 JODConverter 调用 LibreOffice

2. 安全处理建议

• 对所有输入文件进行格式校验
• 使用沙箱环境运行宏代码
• 对文档内容进行消毒处理（如使用 docx4j 的 sanitize() 方法）

3. 性能优化建议

• 对于大型文档，使用 XWPFDocument 的流式 API
• 使用连接池管理数据库连接
• 对频繁访问的文档进行缓存

十一、总结

Java 读取 Word 内容需要根据具体需求选择合适的工具：

• Apache POI 适合通用场景，但需要处理格式差异
• docx4j 提供更简洁的 API，但依赖较多
• JODConverter 适合需要转换为 PDF 的场景，但依赖外部服务

开发中需注意：

• 格式兼容性问题（如 .doc 和 .docx 的差异）
• 安全风险（如宏病毒、恶意内容）
• 性能瓶颈（处理大文档时的内存管理）

通过合理选择工具、优化代码结构，可以有效提升 Word 文档处理的效率和稳定性。在实际项目中，建议结合具体业务需求进行方案选型，并通过单元测试和性能测试确保方案可靠性。