Java: 从 Word 文档中提取文本和图像

在 Java 开发项目中,处理 Microsoft Word 文档是常见场景。例如,内容管理系统需要批量解析文档文本用于搜索索引,数据迁移工具需分离图像以便独立存储,或内容分析应用要提取素材进行二次加工。此时,从 Word 文件中精确提取文本和图像就显得尤为重要。

本文介绍如何借助 Spire.Doc for Java 库实现这一功能。该库提供文档加载、对象遍历和元素提取的 API,支持 DOC 和 DOCX 等格式,无需安装 Microsoft Office,即可完成操作。以下内容以开发者视角,逐步说明实现步骤,附带完整可运行代码。

1. 环境准备

确保开发环境为 JDK 8 或更高版本。推荐使用 Maven 管理依赖,在 pom.xml 中添加以下配置:

xml 复制代码
<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.doc</artifactId>
        <version>14.3.1</version>
    </dependency>
</dependencies>

若不使用 Maven,可从官方站点下载 Spire.Doc.jar 并添加到项目 classpath。准备好测试文档,例如 sample.docx,其中包含普通文本、标题和嵌入图像。

2. 提取文本

提取文本的核心是加载文档后调用 getText() 方法,该方法会返回文档中所有可见文本内容(包括正文、页眉、页脚等),以字符串形式呈现。后续可将其保存为 .txt 文件或进一步处理(如分词、存储到数据库)。

完整示例代码如下:

java 复制代码
import com.spire.doc.Document;
import java.io.FileWriter;
import java.io.IOException;

public class ExtractTextFromWord {
    public static void main(String[] args) throws IOException {
        // 创建 Document 对象并加载 Word 文档
        Document document = new Document();
        document.loadFromFile("sample.docx");

        // 获取文档全部文本
        String text = document.getText();

        // 保存为 TXT 文件
        writeStringToTxt(text, "extracted_text.txt");

        System.out.println("文本提取完成,已保存至 extracted_text.txt");
    }

    private static void writeStringToTxt(String content, String txtFileName) throws IOException {
        try (FileWriter writer = new FileWriter(txtFileName)) {
            writer.write(content);
        }
    }
}

说明:

  • loadFromFile() 支持绝对路径或相对路径,自动识别 DOC/DOCX。
  • getText() 返回的字符串已去除大部分控制字符,但保留换行和空格。
  • 使用 try-with-resources 关闭流,避免资源泄漏。
    若只需提取特定部分(如仅正文),可遍历 document.getSections() 和 Paragraph 对象,自定义过滤逻辑。

运行后,extracted_text.txt 即包含完整文本,可直接用于后续业务处理。

3. 提取图像

Word 文档中的图像以 DocPicture 对象形式存在,可能嵌套在段落、文本框、表格或页眉中。因此不能简单遍历顶层元素,而需采用广度优先搜索(BFS)遍历整个文档对象树。

核心步骤:

  1. 加载文档。
  2. 使用队列存储复合对象(ICompositeObject),从根节点 Document 开始遍历。
  3. 遇到子节点为 Picture 类型时,提取 BufferedImage 并保存。

完整代码如下:

java 复制代码
import com.spire.doc.*;
import com.spire.doc.documents.*;
import com.spire.doc.fields.*;
import com.spire.doc.interfaces.*;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.*;

public class ExtractImagesFromWord {
    public static void main(String[] args) throws IOException {
        // 加载文档
        Document document = new Document();
        document.loadFromFile("sample.docx");

        // BFS 遍历队列
        Queue<ICompositeObject> nodes = new LinkedList<>();
        nodes.add(document);

        // 存储提取的图像
        List<BufferedImage> images = new ArrayList<>();

        // 遍历文档树
        while (!nodes.isEmpty()) {
            ICompositeObject node = nodes.poll();
            for (int i = 0; i < node.getChildObjects().getCount(); i++) {
                IDocumentObject child = node.getChildObjects().get(i);
                if (child instanceof ICompositeObject) {
                    // 复合对象继续入队
                    nodes.add((ICompositeObject) child);
                } else if (child.getDocumentObjectType() == DocumentObjectType.Picture) {
                    // 提取图像
                    DocPicture picture = (DocPicture) child;
                    images.add(picture.getImage());
                }
            }
        }

        // 保存所有图像(确保 output 目录存在)
        File outputDir = new File("output");
        if (!outputDir.exists()) {
            outputDir.mkdirs();
        }
        for (int i = 0; i < images.size(); i++) {
            File file = new File(outputDir, String.format("image_%d.png", i));
            ImageIO.write(images.get(i), "PNG", file);
            System.out.println("已保存图像: " + file.getName());
        }

        System.out.println("共提取 " + images.size() + " 张图像");
    }
}

说明:

  • 使用 LinkedList 实现队列,实现 BFS 遍历,确保所有嵌套图像都被发现。
  • DocumentObjectType.Picture 是判断图像的关键枚举。
  • ImageIO.write() 支持 PNG、JPG 等格式,可根据 picture.getImageType() 动态选择。
  • 建议提前创建 output 目录,或添加 mkdirs() 逻辑。

该方法能完整提取文档内所有独立图像,包括形状中嵌入的图片。

4. 注意事项与最佳实践

  • 异常处理 :实际项目中应包裹 loadFromFile 和 ImageIO 操作,捕获 IOException 和 Exception。
  • 性能:对于超大文档(数百页),遍历过程耗时可接受,但建议分批处理或增加进度提示。
  • 格式支持 :同时兼容 .doc(旧版)和 .docx(新版)。
  • 权限与路径:确保程序对输入文件有读取权限,对输出目录有写入权限。
  • 进一步扩展 :可结合 Paragraph.getChildObjects() 实现按章节提取,或将图像直接转换为 Base64 用于 Web 展示。
  • 许可证:免费版存在功能限制(如水印),生产环境建议评估商业版需求。

5. 总结

通过 Spire.Doc for Java 的 Document、ICompositeObject 和 DocPicture 等 API,从 Word 文档中提取文本和图像变得简洁高效。上述两个示例只需几十行代码即可运行,适合快速集成到各类 Java 项目中。开发者可根据实际业务,在此基础上扩展为批量处理、按条件过滤或结合其他库(如 Apache Tika 做进一步解析)。

完整代码可直接复制到 IDE 测试,建议准备不同结构的 Word 样本文档验证效果。掌握这一技能后,Word 文档处理将不再是开发瓶颈。

相关推荐
BingoGo24 分钟前
PHP 8.6 正式发布
后端·php
JaguarJack28 分钟前
PHP 8.6 正式发布
后端·php·服务端
星落梦生1 小时前
Maven高级(9)
java·maven
码事漫谈10 小时前
# 2027年,AI终于要开始“干活”了
后端
小满zs10 小时前
Go语言第二十一章(Gin上传文件)
后端·go
兴趣互联11 小时前
jeecgboot nacos2.3.2 使用pgsql
java
hudd66812 小时前
JavaEE 初阶 - 文件操作和IO
java·开发语言·java-ee
JavaGuide12 小时前
Cloudflare 开源的这套神级安全审计 Skill 太好用了!
前端·后端
Flynn Liang12 小时前
HikariCP 连接池不是越大越好:I/O 密集型 Java 服务的数据库容量工程
java·数据库·mysql·高并发·连接池·hikaricp·sql 优化
学长毕设13 小时前
基于SpringBoot社区快递驿站物流配送系统-附源码
java·spring boot·后端