WORD解析：使用poi解析doc和docx

1.pom依赖

<!-- https://mvnrepository.com/artifact/org.apache.poi/poi --><dependency><groupId>org.apache.poi</groupId><artifactId>poi</artifactId><version>4.1.1</version></dependency><!--处理2007 excel--><dependency><groupId>org.apache.poi</groupId><artifactId>poi-ooxml</artifactId><version>4.1.1</version></dependency><!-- 用于处理当前的word文档2007的老版本 --><dependency><groupId>org.apache.poi</groupId><artifactId>poi-scratchpad</artifactId><version>4.1.1</version></dependency>

这里需要注意：老版本的word是doc结尾，新版本的word是docx结尾，如果出现这个异常：org.apache.poi.openxml4j.exceptions.OLE2NotOfficeXmlFileException: The supplied data appears to be in the OLE2 Format. You are calling the part of POI that deals with OOXML (Office Open XML) Documents. You need to call a different part of POI to process this data (eg HSSF instead of XSSF)j就表示当前解析的版本不对需要使用老版本的word解析器

2.创建word文档

1.创建test.doc和test.docx文档，并且写入以下内容：

3.创建通用的解析方法用于解析当前的word文档

由于当前的docx和doc的类不兼容没有统一的接口所以需要区别对待

public void handlerWordFile(File file) throws Exception  {String fileName = file.getName();int lastIndexOf =fileName .lastIndexOf(".");if(lastIndexOf==-1) {throw new IllegalArgumentException("当前传入的文件格式不合法！");}String suffex=fileName.substring(lastIndexOf+1,fileName.length());try (InputStream is=new FileInputStream(file)){switch (suffex) {case "doc":handlerByDocFile(is);break;case "docx":handlerByDocxFile(is);break;default:throw new IllegalArgumentException("不能解析的文档类型，请输入正确的word文档类型的文件！");}}catch (Exception e) {throw e;}}

4.创建解析docx的方法

通过XWPFDocument对象可以解析word文档(docx)

public void handlerByDocxFile(InputStream is) throws IOException, InvalidFormatException {       XWPFDocument xwpfDocument = new XWPFDocument(is);Iterator<IBodyElement> bodyElementsIterator = xwpfDocument.getBodyElementsIterator();List<Object> datas=new ArrayList<>();while (bodyElementsIterator.hasNext()) {IBodyElement bodyElement = bodyElementsIterator.next();String content = handlerByBodyType(bodyElement,bodyElement.getPartType());datas.add(content);}xwpfDocument.close();is.close();printAllDatas(datas);}public void printAllDatas(Collection<?> datas) {System.out.println(datas);}//开始处理当前的身体元素public String handlerByIBodyElement(IBodyElement bodyElement) {String content=null;//用于处理XWPFParagraphif(bodyElement instanceof XWPFParagraph) {System.out.println("当前获取的元素类型为：XWPFParagraph");content=handlerXWPFParagraphType(bodyElement);}return content;}//用于处理当前的XWPFParagraph类型的数据public String handlerXWPFParagraphType(IBodyElement bodyElement) {XWPFParagraph xwpfParagraph = (XWPFParagraph) bodyElement;BodyElementType elementType = xwpfParagraph.getElementType();String content = getStringByBodyElementType(xwpfParagraph,elementType);System.out.println("当前文本的内容为："+content);return content;}//通过当前的类型和元素进行相对应的处理public String getStringByBodyElementType(XWPFParagraph xwpfParagraph,BodyElementType bodyElementType) {System.out.println(bodyElementType);//当前测试结果为：PARAGRAPHString content="";switch (bodyElementType) {case CONTENTCONTROL://如果使用的是文本控件break;case PARAGRAPH://如果是段落的处理结果content=xwpfParagraph.getParagraphText();break;case TABLE://如果当前的的元素部分为表格break;default:break;}return content;}//通过身体类型来处理public String handlerByBodyType(IBodyElement bodyElement ,BodyType partType) {System.out.println("当前的BodyType为："+partType);String content=null;switch (partType) {case CONTENTCONTROL:break;case DOCUMENT:content=handlerByIBodyElement(bodyElement);break;case HEADER:break;case FOOTER:break;case FOOTNOTE:break;case TABLECELL:break;default:throw new IllegalArgumentException("there is no this document type !please check this type!");}return content;}

5.测试解析后的test.docx

 public static void main(String[] args) throws Exception {WordTest test=new WordTest();URL resource = Thread.currentThread().getContextClassLoader().getResource("test.docx");File file=new File(resource.getFile());test.handlerWordFile(file);}

执行的结果为：

6.创建解析doc文档的方法

解析doc文件需要使用HWPFDocument这个类

 public void handlerByDocFile(InputStream is) {String content=null;HWPFDocument hwpfDocument=null;try {hwpfDocument=new HWPFDocument(is);content=getAllDocText(hwpfDocument);            } catch (IOException e) {// TODO Auto-generated catch blocke.printStackTrace();}finally {closeDocFile(hwpfDocument);}System.out.println(content);}//用于获取当前的doc word文档中的所有的内容public String getAllDocText(HWPFDocument hwpfDocument) {return hwpfDocument.getDocumentText();//这里也可以通过range获取数据}public void closeDocFile(HWPFDocument hwpfDocument) {try {if(hwpfDocument!=null)hwpfDocument.close();} catch (IOException e) {// TODO Auto-generated catch blocke.printStackTrace();}}

可以直接通过HWPFDocument .getDocumentText()获取当前word文档中的所有的文本内容！

结果为：

发现解析后的内容出现了[?]这几个字符，存在缺点

7.总结

1.使用poi解析docx和doc的时候注意当前的版本和类是不兼容的所以需要单独处理，解析docx需要使用XWPFDocument，而解析doc需要使用HWPFDocument

2.使用老版本的很容易就可以解析到当前word的所有文本内容，而新版本的需要通过判断和当前的类型才能获取数据，新版本的不会出现[?]这个问题！

以上纯属个人见解，如有问题请联系本人！