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、doc

POI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doc

HWPFDocument doc = new HWPFDocument(stream);

Range range = doc.getRange();

//读取段落

int num = range.numParagraphs();

Paragraph para;

for (int i=0; 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

com.e-iceblue

http://repo.e-iceblue.com/nexus/content/groups/public/

引入对应的jar包

e-iceblue

spire.doc.free

3.9.0

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。