java如何利用poi解析doc和docx中的数据

java如何利用poi解析doc和docx中的数据

前言

这个功能是工作中遇到的一个需求，需要把上传的word中的内容解析出来，其中包含段落字符串解析，和表格中的数据解析出来，需要支持doc和docx格式的数据

Apache POI是Apache软件基金会的开源项目，POI提供API给java程序对Microsoft Office格式档案读和写的功能。 .NET的开发人员则可以利用NPOI (POI for .NET) 来存取 Microsoft Office文档的功能。

方法如下：

1、增加maven中的包

org.apache.poi

poi-scratchpad

3.17

org.apache.poi

poi-ooxml

3.17

2、解析doc中的数据

获取文件，把MultipartFile对象的数据转成本地file

File file = new File(FileUtils.getUserDirectoryPath() + "/" + multipartFile.getOriginalFilename());

FileUtils.copyInputStreamToFile(multipartFile.getInputStream(), file);

String fileName = file.getName().toLowerCase();

FileInputStream in = new FileInputStream(file);

if (fileName.endsWith(".doc")) {

http:// // 处理doc格式 即office2003版本

handlerDoc(in);

}

if (fileName.endsWith(".docx")) {

handlerDocx(in);

}

解析doc格式中的段落和第一个表格数据

/**

* doc 格式解析

*

* @param in

* @throws IOException

*/

private void handlerDoc(FileInputStream in) throws IOException {

POIFSFileSystem pfs = new POIFSFileSystem(in);

HWPFDocument hwpf = new HWPFDocument(pfs);

//得到文档的读取范围

Range range = hwpf.getRange();

for (int i = 0; i < range.numParagraphs(); i++) {

//段落

Paragraph p = range.getParagraph(i);

//段落文本

String paragraphText = p.text().replace("\r", "");

log.info("paragraphText = {}", paragraphText );

if (paragraphText.contains(VALUE_YLYC)) {

analyze = false;

}

}

TableIterator it = new TableIterator(range);

// 迭代文档中的表格

// 如果有多个表格只读取需要的一个 set是设置需要读取的第几个表格，total是文件中表格的总数

int set = 1, total = 1;

int num = set;

for (int i = 0; i < set - 1; i++) {

it.hasNext();

it.next();

}

while (it.hasNext()) {

Map> tabelText = DocUtils.getTabelDocText((Table) it.next());

log.info("tabelText = {}", tabelText);

}

// 过滤多余的表格

while (num < total) {

it.hasNext();

it.next();

num += 1;

}

}

3、解析docx中数据

解析docx格式中的段落和第一个表格数据

/**

* docx 格式解析

*

* @param in

* @throws IOException

*/

private void handlerDocx(FileInputStream in) throws IOException {

XWPFDocument xwpf = new XWPFDocument(in);

// 获取word中的所有段落与表格

List elements = xwpf.getBodyElements();

// 解析表格后续不解析

for (IBodyElement element : elements) {

// 段落

if (element instanceof XWPFParagraph) {

String paragraphText = DocUtils.getParagraphText((XWPFParagraph) element);

log.info("paragraphText = {}", paragraphText);

} else if (element instanceof XWPFTable) {

// 表格

Map> tabelText = DocUtils.getTabelText((XWPFTable) element);

log.info("tabelText = {}", tabelText);

} else {

log.info("其他内容");

}

}

}

工具类

package com.hundsun.fais.innerreport.utils;

import org.apache.poi.hwpf.usermodel.Paragraph;

import org.apache.poi.hwpf.usermodel.Table;

import org.apache.poi.hwpf.usermodel.TableCell;

import org.apache.poi.hwpf.usermodel.TableRow;

import org.apache.poi.xwpf.usermodel.*;

import java.util.*;

/**

* @author lvbaolin

* @date 2021/4/2 10:39

*/

public class DocUtils {

/**

* docx 格式获取表格内容

*

* @param table

*/

public static Map> getTabelText(XWPFTable table) {

Map> result = new LinkedHashMap<>();

List rows = table.getRows();

for (XWPFTableRow row : rows) {

String key = null;

List list = new ArrayList<>(16);

int i = 0;

List cells = row.getTableCells();

for (XWPFTableCell cell : cells) {

// 简单获取内容（简单方式是不能获取字体对齐方式的）

StringBuffer sb = new StringBuffer();

// 一个单元格可以理解为一个word文档，单元格里也可以加段落与表格

List paragraphs = cell.getParagraphs();

for (XWPFParagraph paragraph : paragraphs) {

sb.append(DocUtils.getParagraphText(paragraph));

}

if (i == 0) {

key = sb.toString();

} else {

String value = sb.toString();

list.add(value == null || Objects.deepEquals(value, "") ? null : value.replace(",", ""));

}

i++;

}

result.put(key, list);

}

return result;

}

/**

* docx 获取段落字符串

* 获取段落内容

*

* @param paragraph

*/

public static String getParagraphText(XWPFParagraph paragraph) {

StringBuffer runText = new StringBuffer();

// 获取段落中所有内容

List runs = paragraph.getRuns();

if (runs.size() == 0) {

return runText.toString();

}

for (XWPFRun run : runs) {

runText.append(run.text());

}

return runText.toString();

}

/**

* doc 格式的字段解析表格

* @param tb

* @return

*/

public static Map> getTabelDocText(Table tb) {

Map> result = new HashMap<>(16);

//迭代行，默认从0开始,可以依据需要设置i的值,改变起始行数，也可设置读取到那行，只需修改循环的判断条件即可

for (int i = 0; i < tb.numRows(); i++) {

List list = new ArrayList<>(16);

int x = 0;

TableRow tr = tb.getRow(i);

String key = null;

//迭代列，默认从0开始

for (int j = 0; j < tr.numCells(); j++) {

//取得单元格

TableCell td = tr.getCell(j);

StringBuffer sb = new StringBuffer();

//取得单元格的内容

for (int k = 0; k < td.numParagraphs(); k++) {

Paragraph paragraph = td.getParagraph(k);

String s = paragraph.text();

//去除后面的特殊符号

if (null != s && !"".equals(s)) {

s = s.substring(0, s.length() - 1);

}

sb.append(s);

}

if (x == 0) {

key = sb.toString();

} else {

String value = sb.toString();

list.add(value == null || Objects.deepEquals(value, "") ? null : value.replace(",", ""));

}

x++;

}

result.put(key, list);

}

return result;

}

}

总结

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。