Java 开发中读取与解析 Word 文档的实践记录

日常开发中,难免会遇到需要解析 Word 文档的场景。比如搭建文档管理系统时需要提取上传文件的内容,或者做数据迁移时要批量处理存量文档。这类需求如果处理不好,往往会带来不少麻烦。本文将整理几种在 Java 环境下读取 Word 文档内容的实用方法,涵盖全文提取、段落解析、表格读取和图片导出,希望能给遇到类似需求的开发者一些参考。

一、依赖引入

开始写代码之前,先把必要的依赖配置好。以 Maven 项目为例,在 pom.xml 中添加如下内容:

xml 复制代码
<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <url>https://repo.e-iceblue.cn/repository/maven-public/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.doc</artifactId>
        <version>14.5.3</version>
    </dependency>
</dependencies>

依赖就绪后,就可以正式开始编写读取逻辑了。

二、提取文档的全部文本

如果需求比较简单直接,比如只想把文档里的文字提取出来做全文检索或者关键词分析,那么一次性读取所有文本是最高效的做法。

java 复制代码
import com.spire.doc.Document;

public class ReadAllText {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        // 获取文档的完整文本内容
        String allText = doc.getText();
        System.out.println(allText);

        doc.close();
    }
}

getText() 方法会把整篇文档的段落文字拼接成一个字符串,表格中的文字也会一并包含在内。这种方式胜在简洁,几行代码就能搞定。但缺点也很明显------所有内容平铺在一起,标题、正文、表格内容混在一块,丢失了原有的文档结构。

三、按段落逐条读取

当我们需要了解文档的结构层次,或者只关心特定样式的内容时,逐段落地读取就显得很有必要了。比如只提取所有的一级标题,或者跳过页眉页脚只处理正文。

java 复制代码
import com.spire.doc.Document;
import com.spire.doc.documents.Paragraph;

public class ReadParagraphs {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        // 遍历文档中的节
        for (int i = 0; i < doc.getSections().getCount(); i++) {
            // 遍历每个节中的段落
            for (int j = 0; j < doc.getSections().get(i).getParagraphs().getCount(); j++) {
                Paragraph paragraph = doc.getSections().get(i).getParagraphs().get(j);

                String text = paragraph.getText();
                String styleName = paragraph.getStyleName();

                System.out.println("样式: " + styleName);
                System.out.println("内容: " + text);
                System.out.println("---");
            }
        }
        doc.close();
    }
}

这里的关键是 getStyleName() 方法,它返回段落在 Word 中应用样式后的名称,比如 "Heading1"、"Heading2"、"Normal" 等等。拿到样式名之后,我们就可以方便地过滤出想要的段落类型。除此之外,Paragraph 对象还能提供对齐方式、缩进值、行距等格式信息,有需要的话可以进一步挖掘。

四、读取表格中的结构化数据

表格在 Word 里往往扮演着承载结构化数据的角色,比如项目排期表、人员信息表、价格清单等等。把这些数据准确读取出来,是很多业务场景下的刚性需求。

java 复制代码
import com.spire.doc.Document;
import com.spire.doc.Section;
import com.spire.doc.Table;
import com.spire.doc.TableRow;
import com.spire.doc.TableCell;

public class ReadTable {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        // 遍历所有节
        for (int i = 0; i < doc.getSections().getCount(); i++) {
            Section section = doc.getSections().get(i);

            // 遍历当前节中的表格
            for (int j = 0; j < section.getTables().getCount(); j++) {
                Table table = section.getTables().get(j);
                System.out.println("表格 " + (j + 1) + ":");

                // 按行读取
                for (int k = 0; k < table.getRows().getCount(); k++) {
                    TableRow row = table.getRows().get(k);
                    // 按单元格读取
                    for (int l = 0; l < row.getCells().getCount(); l++) {
                        TableCell cell = row.getCells().get(l);
                        System.out.print(cell.getText() + "\t");
                    }
                    System.out.println();
                }
                System.out.println("============");
            }
        }
        doc.close();
    }
}

代码逻辑比较清晰,按节、表格、行、单元格的层级逐层遍历。读出来的数据可以根据需要组装成二维数组或 List,方便后续写入数据库或导出为 Excel。有一点需要留意:如果文档中的表格存在合并单元格的情况,按行列索引直接读取时可能会遇到空值或者数据位置偏移,实际项目里最好加上对合并单元格的判断处理。

五、导出文档中的图片

文字和表格之外,图片也是 Word 文档中常见的内容类型。有时候我们需要把文档里的图片提取出来单独存储,比如迁移到图床或者存入资源管理系统。

java 复制代码
import com.spire.doc.Document;
import com.spire.doc.fields.DocPicture;
import com.spire.doc.interfaces.IDocumentObject;

public class ExtractImages {
    public static void main(String[] args) throws Exception {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        int imageIndex = 0;
        // 遍历文档中的子对象
        for (int i = 0; i < doc.getSections().getCount(); i++) {
            for (int j = 0; j < doc.getSections().get(i).getBody().getChildObjects().getCount(); j++) {
                IDocumentObject obj = doc.getSections().get(i).getBody().getChildObjects().get(j);

                // 判断是否为图片对象
                if (obj instanceof DocPicture) {
                    DocPicture picture = (DocPicture) obj;
                    // 保存为 PNG 文件
                    picture.getImage().save("output/image_" + imageIndex + ".png", null);
                    imageIndex++;
                }
            }
        }
        System.out.println("共提取 " + imageIndex + " 张图片");
        doc.close();
    }
}

图片会按编号依次保存到输出目录。如果文档里图片比较多,建议文件命名时加入更具体的标识,避免同名覆盖。另外除了正文中的图片,页眉页脚和文本框里也可能藏着图片对象,按需决定要不要一并处理。

六、几点实用建议

在实际项目中使用时,有几个细节值得留意。第一是格式兼容性,.doc 和 .docx 两种格式都可以用同一套 API 加载,不需要分别写两套逻辑,这在实际开发中能省不少事。第二是资源释放,文档读取完毕后记得调用 close() 方法,否则文件可能会被进程持续占用,导致后续的写入或删除操作失败。第三是对大文件的处理,如果文档体量较大,解析会消耗更多时间和内存,在并发场景下建议提前做好压测,必要时对大文件做异步处理或设置超时机制。

七、最后

本文梳理了 Java 环境下读取 Word 文档内容的几种常见方式,从最直接的全文文本提取,到保留结构的段落遍历与样式识别,再到表格数据解析和图片资源导出,基本覆盖了日常开发中会遇到的典型场景。这些方法可以灵活搭配使用,比如在文档入库时同时提取纯文本做索引、解析表格做结构化存储、导出图片做独立资源管理。掌握了这些基础操作之后,再面对更复杂的文档处理需求,心里也会有底,实现起来会更加从容。希望这篇整理能为你的开发工作提供一些切实的帮助。

相关推荐
AAA修煤气灶刘哥11 分钟前
32 GB 内存跑起 1800 亿参数模型,代价是什么?
人工智能·后端·架构
SimonKing20 分钟前
零 OCR 依赖!Firecrawl 这个 Rust 库把 Word / PPT / Excel 全变成 Markdown
java·后端·程序员
Rain的Java大神之路20 分钟前
别被 ChatGPT 的打字机效果骗了:一字一字蹦,才是 LLM 自回归的命门(附大厂 Java 流式落地)
java·后端·面试
AAA修煤气灶刘哥22 分钟前
同一个项目,为什么换个 Agent 又得从头解释?
后端·架构·代码规范
渣渣盟34 分钟前
狂命爆肝99天,共52K字的JAVA学习笔记奉上,JAVA从入门到精通一文搞定,一文在手JAVA无忧
java·笔记·学习
BingoGo1 小时前
PHP 8.6 正式发布
后端·php
JaguarJack1 小时前
PHP 8.6 正式发布
后端·php·服务端
星落梦生2 小时前
Maven高级(9)
java·maven
码事漫谈11 小时前
# 2027年,AI终于要开始“干活”了
后端
小满zs11 小时前
Go语言第二十一章(Gin上传文件)
后端·go