解析word文件的简单实现

一、了解word结构

文章：《Office文件格式基础知识》、《Anatomy of a WordProcessingML File》

office 97-03

office 97-03的存储规范为OLE。它是COM对象的子集，是一种对象链接和嵌入的技术，该技术可以包含文本，图形，电子表格甚至其他二进制数据。

OLE对象由对象头（ObjectHeader）和数据流（ObjectStream）组成。

（1）对象头各字段解析内容如下：

数据	解释
01050000	OLE Version
02000000	Format ID
09000000	ProgName Size（0x09）
4f4c45324c696e6b00	ProgName (OLE2Link)
000a0000	Data Size

（2）对象头和数据流通过d0cf11e0a1b11ae1分隔
（3）解析数据流的时候需要将ascii转换成hex

office 07-*

Doc文件的格式规范为OpenXML（OOXML），是微软在Office 2007中提出的一种新的文档格式。
Office 2007中的Word、Excel、PowerPoint默认均采用OpenXML格式。OpenXML在2006年12月成为了ECMA规范的一部分，编号为ECMA376；并于2008年4月通过国际标准化组织的表决，并于两个月后公布为ISO／IEC 29500国际标准。

Doc文件实际上一个压缩包，可以解压为目录。目录结构如下：

_rels文件夹：存放了所有指定的rels文件
docProps文件夹：存放了docx文档的主要属性信息
word文件夹：存放了docx文档的具体内容
[Content_Types].xml：描述的是整个文档内容的类型，把各个xml文件组合成一个整体

二、初步探索

新建word文档，输入一些内容（最好是有规律，易辨识的内容）：正文、文本框、表格、在第二页再输入正文
修改word后缀为zip，解压缩后会发现文件格式确实如第一节中所述
打开每个xml文件，搜索在第1步输入的内容，寻找内容与xml的对应关系。

大致可以得出结论：word的主要内容存在word\document.xml中。如果只要解析正文中的内容，直接解析这个xml文件即可。

如果想页眉和页脚的文字内容，则需要另外解析word\header1.xml和word\foot1.xml等文件。

三、解析document.xml文件，读取doc中的文字

文字可能存在于正文（段落）、表格、文本框等位置。

正文（段落）中的文字直接读取XMLStreamConstants.CHARACTERS类型的内容即可获取。

但是如果文档中混合了表格和文本框的元素，则直接获取会出现以下问题：

表格会失去形状，表格中每个单元格的文本都会占一行
文本框中的文本会多次出现，原因是高版本的docx文件为了兼容低版本的word把文本框中的内容存了多份

问题1的解决方法：
根据结束标签的不同，执行不同的动作：

正文中的段落结束标记：打印内容
表格中单元格结束标记：追加\t
表格中行结束标记：追加\n
表格结束标记：打印内容

问题2的解决方法：

当遇到不希望解析的节点的开始标签时，开启屏蔽标记
开启屏蔽标记之后，不在收集内容节点
直到遇到该节点的结束标签时，关闭屏蔽标记

四、完整代码

import javax.xml.namespace.QName;
import javax.xml.stream.XMLEventReader;
import javax.xml.stream.XMLInputFactory;
import javax.xml.stream.XMLStreamConstants;
import javax.xml.stream.XMLStreamException;
import javax.xml.stream.events.Characters;
import javax.xml.stream.events.EndElement;
import javax.xml.stream.events.StartElement;
import javax.xml.stream.events.XMLEvent;
import java.io.*;
import java.nio.charset.Charset;
import java.util.Enumeration;
import java.util.HashSet;
import java.util.Set;
import java.util.zip.ZipEntry;
import java.util.zip.ZipFile;/*** 解析word文档，打印出文件中的内容（目前只支持2010版word文件）* <p>* 支持正文（段落）、表格、文本框* <p>* 注：表格打印后仍然可以保持基本形状*/
public class ParseWord {/*** 是否开启调试*/private static boolean DEBUG = false;public static void main(String[] args) throws IOException {File docDir = unZipDocFiles("src/test.docx");parseDocumentXml(docDir);}/*** 解压doc文件到同目录下** @param docPath doc文件路径* @return 返回doc解压后的目录文件*/private static File unZipDocFiles(String docPath) throws IOException {String descDir = docPath.substring(0, docPath.lastIndexOf("."));return unZipFiles(docPath, descDir);}/*** 解压zip文件** @param zipPath zip文件路径* @param descDir 解压目录* @return 返回解压后的目录文件*/private static File unZipFiles(String zipPath, String descDir) throws IOException {ZipFile zip = new ZipFile(new File(zipPath), Charset.forName("GBK")); // 解决中文文件夹乱码File pathFile = new File(descDir);if (!pathFile.exists()) {pathFile.mkdirs();}for (Enumeration<? extends ZipEntry> entries = zip.entries(); entries.hasMoreElements(); ) {ZipEntry entry = (ZipEntry) entries.nextElement();String zipEntryName = entry.getName();InputStream in = zip.getInputStream(entry);String outPath = (descDir + "/" + zipEntryName);// 判断路径是否存在,不存在则创建文件路径File file = new File(outPath.substring(0, outPath.lastIndexOf('/')));if (!file.exists()) {file.mkdirs();}// 判断文件全路径是否为文件夹,如果是上面已经上传,不需要解压if (new File(outPath).isDirectory()) {continue;}FileOutputStream out = new FileOutputStream(outPath);byte[] buf1 = new byte[1024];int len;while ((len = in.read(buf1)) > 0) {out.write(buf1, 0, len);}in.close();out.close();}return pathFile;}/*** 解析document.xml** @param docDir doc解压后的目录文件*/private static void parseDocumentXml(File docDir) {try {String documentXmlPath = docDir.getPath() + "/word/document.xml";XMLInputFactory factory = XMLInputFactory.newInstance();XMLEventReader eventReader = factory.createXMLEventReader(new FileReader(documentXmlPath));// 屏蔽标记boolean maskFlag = false;// 表格内标记boolean inTable = false;StringBuffer s = new StringBuffer();while (eventReader.hasNext()) {XMLEvent event = eventReader.nextEvent();debug(event);switch (event.getEventType()) {case XMLStreamConstants.START_ELEMENT:StartElement startElement = event.asStartElement();if (isMarkLable(startElement.getName())) {// 屏蔽不想要的标签maskFlag = true;} else {if ("tbl".equals(startElement.getName().getLocalPart())) {// 当遇到tbl标签时表示进入表格inTable = true;}}break;case XMLStreamConstants.CHARACTERS:Characters characters = event.asCharacters();if (!maskFlag) {s.append(characters.getData());debug("==" + characters.getData());}break;case XMLStreamConstants.END_ELEMENT:EndElement endElement = event.asEndElement();if (!maskFlag) {switch (endElement.getName().getLocalPart()) {case "p":if (!inTable) {// 当p标签不在表格中时直接打印System.out.println(s);s = new StringBuffer();}break;case "tc":// 当遇到tc闭合标签时，表示表格中的单元格结束s.append("\t");break;case "tr":// 当遇到tc闭合标签时，表示表格中的行结束s.append("\n");break;case "tbl":// 当遇到tc闭合标签时，表示表格结束System.out.println(s);s = new StringBuffer();inTable = false;break;}}if (isMarkLable(endElement.getName())) {// 退出屏蔽标记maskFlag = false;}break;}}} catch (FileNotFoundException e) {e.printStackTrace();} catch (XMLStreamException e) {e.printStackTrace();}}//想要屏蔽的标签static Set<String> namespaceURIMarks = new HashSet<>();static {namespaceURIMarks.add("http://schemas.microsoft.com/office/word/2010/wordprocessingShape");namespaceURIMarks.add("http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing");namespaceURIMarks.add("http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing");}/*** 该标签是否需要屏蔽*/public static boolean isMarkLable(QName qName) {return namespaceURIMarks.contains(qName.getNamespaceURI());}/*** 用DEBUG变量来控制调试日志的输出*/private static void debug(Object s) {if (DEBUG) {System.out.println(s);}}}

输入：

输出：