SpringBoot+poi实现读取word文件内容 |
您所在的位置：网站首页 › java读取图片文字 › SpringBoot+poi实现读取word文件内容 |
SpringBoot+poi实现读取word文件内容
|
java开发实现读取word 文件内容 目录 一、实现功能二、具体实现1.添加必要依赖2.代码实现2.1 功能1：java读取word文档内容,兼容doc和docx（1）创建controller，编写读取方法：（2）编写页面调用方法（3）测试 2.2 功能2：java读取docx文档的两种方式（1）通过XWPFWordExtractor读取docx文档（2）通过XWPFDocument读取docx文档 2.3 功能3：java读取docx文档内容转HTML（手动编写格式）（1）编写工具类（2）调用工具类的readWordToHtml方法（3）在页面中调用上一步的读取方法（4）启动测试 2.4 功能4：java读取docx文档中表格跨列合并问题的解决方法（1）编写获取单元格的跨列个数（2）组装单元格的跨列属性（3）测试 2.5 功能5：java读取word文档内容（含图片、表格手动编写格式）（1）在WordRead工具类中添加解析方法（文本、图片、表格）（2）调用工具类的readWordImgToHtml方法（3）在页面中调用上一步的读取方法（4）启动测试 三、完整代码 一、实现功能1.java读取word文档内容,兼容doc和docx（不含图片、表格不带格式） 2.java读取docx文档内容的两种方式 3.java读取docx文档内容转HTML（手动编写格式）（后缀名为docx） 4.java读取docx文档内容中表格跨列合并问题的解决方法 5.java读取word文档内容（含图片、表格手动编写格式） 二、具体实现word文件内容： 运行结果： 注：对象说明 XWPFDocument：一个word XWPFParagraph：word中的一个段落 注意：在word中按一次回车就是一个段落 XWPFRun：段落中的文本 注意：段落中一个字可能就是一个XWPFRun对象 XWPFTable：word中的一个表格 注意：表格与段落同级 XWPFTableRow：表格中的一行 XWPFTableCell：行中的一列 2.2 功能2：java读取docx文档的两种方式POI在读docx文件的时候有两种方式: （1）通过XWPFWordExtractor （2）通过XWPFDocument 在XWPFWordExtractor读取信息时其内部还是通过XWPFDocument来获取的。 （1）通过XWPFWordExtractor读取docx文档在使用XWPFWordExtractor读取docx文档的内容时，我们只能获取到其文本，而不能获取到其文本对应的属性值。 使用XWPFWordExtractor来读取docx文档内容的方法如下： /** * 通过XWPFWordExtractor读取word(后缀名为docx的文件) * @return */ public static String readWordDocx1(){ String result =""; String filePath = "e:\\w1.doc"; try { File file = new File(filePath); FileInputStream fs = new FileInputStream(file); XWPFDocument doc = new XWPFDocument(fs); XWPFWordExtractor extractor = new XWPFWordExtractor(doc); String text = extractor.getText();//获取word中的文本内容 extractor.close(); fs.close(); result = text; }catch (Exception e) { e.printStackTrace(); } return result; } （2）通过XWPFDocument读取docx文档在通过XWPFDocument读取docx文档时，我们就可以获取到文本比较精确的属性信息了。比如我们可以获取到某一个XWPFParagraph、XWPFRun或者是某一个XWPFTable，包括它们对应的属性信息。 下面是一个使用XWPFDocument读取docx文档的示例： /** * 通过XWPFDocument读取docx文档 * @throws IOException */ public static String readWord() throws IOException{ XWPFDocument document = new XWPFDocument(new FileInputStream("E:\\w3.docx")); String htmlText=""; try { // 获取word中的所有段落与表格 List elements = document.getBodyElements(); for (IBodyElement element : elements) { // 段落 if (element instanceof XWPFParagraph) { htmlText+=getParagraphText((XWPFParagraph) element); } // 表格 else if (element instanceof XWPFTable) { htmlText+=getTabelText((XWPFTable) element); } } }catch (Exception e) { e.printStackTrace(); }finally{ document.close(); } return htmlText; } /** * 获取段落内容（ docx后缀名的Word） * @param paragraph */ private static String getParagraphText(XWPFParagraph paragraph) { // 获取段落中所有内容 List runs = paragraph.getRuns(); if (runs.size() == 0) { //System.out.println("按了回车（新段落）"); return ""; } StringBuffer runText = new StringBuffer(); for (XWPFRun run : runs) { runText.append(run.text()); } // if (runText.length() > 0) { // runText.append("，对齐方式：").append(paragraph.getAlignment().name()); // System.out.println(runText); // } return runText.toString(); } /** * 获取表格内容（ docx后缀名的Word） * @param table */ private static String getTabelText(XWPFTable table) { String result=""; //获取表格数据行 List rows = table.getRows(); if(rows.size()>0){ //遍历 for (int i=0;i String cellText=""; // 简单获取内容（简单方式是不能获取字体对齐方式的） // System.out.println(cell.getText()); // 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) { cellText+=getParagraphText(paragraph); } result+=cellText; } } } return result; } 2.3 功能3：java读取docx文档内容转HTML（手动编写格式）前两个功能的 读取结果，都不带格式，需要手动编写格式，所以有了功能3的实现。 （1）编写工具类 package com.example.filedemo.common.wordUtil; import java.io.File; import java.io.FileInputStream; import java.io.FileNotFoundException; import java.io.IOException; import java.util.List; import org.apache.poi.hwpf.extractor.WordExtractor; import org.apache.poi.xwpf.extractor.XWPFWordExtractor; import org.apache.poi.xwpf.usermodel.IBodyElement; import org.apache.poi.xwpf.usermodel.XWPFDocument; import org.apache.poi.xwpf.usermodel.XWPFParagraph; import org.apache.poi.xwpf.usermodel.XWPFRun; import org.apache.poi.xwpf.usermodel.XWPFTable; import org.apache.poi.xwpf.usermodel.XWPFTableCell; import org.apache.poi.xwpf.usermodel.XWPFTableRow; /** * word读取工具类 * @author Administrator * */ public class WordRead { public static void main(String[] args) { try { String result = readWord(); System.out.println(result); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } } /** * 方式一：读取word中的文本内容（段落、表格统计获取）--- doc\docx 都可 */ public static String readWordText(){ String result =""; String filePath = "e:\\w1.doc"; String suffixName = filePath.substring(filePath.lastIndexOf("."));//从最后一个.开始截取。截取fileName的后缀名 try { File file = new File(filePath); FileInputStream fs = new FileInputStream(file); if(suffixName.equalsIgnoreCase(".doc")){//doc StringBuilder result2 = new StringBuilder(); WordExtractor re = new WordExtractor(fs); result2.append(re.getText());//获取word中的文本内容 re.close(); result = result2.toString(); }else{//docx XWPFDocument doc = new XWPFDocument(fs); XWPFWordExtractor extractor = new XWPFWordExtractor(doc); String text = extractor.getText();//获取word中的文本内容 extractor.close(); fs.close(); result = text; } }catch (Exception e) { e.printStackTrace(); } return result; } /** * 方式2：读取word中的文本内容（段落、表格分开处理） docx后缀名的Word * @throws IOException */ public static String readWord() throws IOException{ XWPFDocument document = new XWPFDocument(new FileInputStream("E:\\w3.docx")); String htmlText=""; try { // 获取word中的所有段落与表格 List elements = document.getBodyElements(); for (IBodyElement element : elements) { // 段落 if (element instanceof XWPFParagraph) { htmlText+=getParagraphText((XWPFParagraph) element); } // 表格 else if (element instanceof XWPFTable) { htmlText+=getTabelText((XWPFTable) element); } } }catch (Exception e) { e.printStackTrace(); }finally{ document.close(); } return htmlText; } /** * 方式2：读取word中的文本内容（段落、表格分开处理） docx后缀名的Word * @param filePath 文件路径 * @throws IOException */ public static String readWord2(String filePath) throws IOException{ XWPFDocument document = new XWPFDocument(new FileInputStream(filePath)); String htmlText=""; try { // 获取word中的所有段落与表格 List elements = document.getBodyElements(); for (IBodyElement element : elements) { // 段落 if (element instanceof XWPFParagraph) { htmlText+=getParagraphText((XWPFParagraph) element); } // 表格 else if (element instanceof XWPFTable) { htmlText+=getTabelText((XWPFTable) element); } } }catch (Exception e) { e.printStackTrace(); }finally{ document.close(); } return htmlText; } /** * 方式2：读取word中的文本内容（段落、表格分开处理） docx后缀名的Word * @param fs 文件流 * @throws IOException */ public static String readWord3(FileInputStream fs) throws IOException{ XWPFDocument document = new XWPFDocument(fs); String htmlText=""; try { // 获取word中的所有段落与表格 List elements = document.getBodyElements(); for (IBodyElement element : elements) { // 段落 if (element instanceof XWPFParagraph) { htmlText+=getParagraphText((XWPFParagraph) element); } // 表格 else if (element instanceof XWPFTable) { htmlText+=getTabelText((XWPFTable) element); } } }catch (Exception e) { e.printStackTrace(); }finally{ document.close(); } return htmlText; } /** * 获取段落内容（ docx后缀名的Word） * @param paragraph */ private static String getParagraphText(XWPFParagraph paragraph) { // 获取段落中所有内容 List runs = paragraph.getRuns(); if (runs.size() == 0) { //System.out.println("按了回车（新段落）"); return ""; } StringBuffer runText = new StringBuffer(); for (XWPFRun run : runs) { runText.append(run.text()); } // if (runText.length() > 0) { // runText.append("，对齐方式：").append(paragraph.getAlignment().name()); // System.out.println(runText); // } return runText.toString(); } /** * 获取表格内容（ docx后缀名的Word） * @param table */ private static String getTabelText(XWPFTable table) { String result=""; //获取表格数据行 List rows = table.getRows(); if(rows.size()>0){ //遍历 for (int i=0;i String cellText=""; // 简单获取内容（简单方式是不能获取字体对齐方式的） // System.out.println(cell.getText()); // 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) { cellText+=getParagraphText(paragraph); } result+=cellText; } } } return result; } /** * 读取word中的文本内容（段落、表格分开处理）转HTML docx后缀名的Word * @param filePath 文件路径 * @throws IOException */ public static String readWordToHtml(String filePath) throws IOException{ XWPFDocument document = new XWPFDocument(new FileInputStream(filePath)); String htmlText=""; try { // 获取word中的所有段落与表格 List elements = document.getBodyElements(); for (IBodyElement element : elements) { // 段落 if (element instanceof XWPFParagraph) { htmlText+=getParagraphHtmlText((XWPFParagraph) element); } // 表格 else if (element instanceof XWPFTable) { htmlText+=getTabelHtmlText((XWPFTable) element); } } }catch (Exception e) { e.printStackTrace(); }finally{ document.close(); } return htmlText; } /** * 获取段落内容并组装段落HTML * @param paragraph */ private static String getParagraphHtmlText(XWPFParagraph paragraph) { // 获取段落中所有内容 List runs = paragraph.getRuns(); if (runs.size() == 0) { //System.out.println("按了回车（新段落）"); return ""; } StringBuffer runText = new StringBuffer(); for (XWPFRun run : runs) { runText.append(run.text()); } return ""+runText.toString()+" "; } /** * 获取表格内容并组装表格HTML * @param table */ private static String getTabelHtmlText(XWPFTable table) { String result=""; //获取表格数据行 List rows = table.getRows(); if(rows.size()>0){ result+=""; //遍历 for (int i=0;i result+=""; String cellText=""; // 简单获取内容（简单方式是不能获取字体对齐方式的） // System.out.println(cell.getText()); // 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) { cellText+=""+getParagraphText(paragraph)+" "; } result+=cellText; result+=""; } result+=""; } result+=""; } return result; } /** * 通过XWPFWordExtractor读取word(后缀名为docx的文件) * @return */ public static String readWordDocx1(){ String result =""; String filePath = "e:\\w1.doc"; try { File file = new File(filePath); FileInputStream fs = new FileInputStream(file); XWPFDocument doc = new XWPFDocument(fs); XWPFWordExtractor extractor = new XWPFWordExtractor(doc); String text = extractor.getText();//获取word中的文本内容 extractor.close(); fs.close(); result = text; }catch (Exception e) { e.printStackTrace(); } return result; } /** * 通过XWPFDocument读取word(后缀名为docx的文件) * @return */ public static String readWordDocx2(){ String result =""; String filePath = "e:\\w1.doc"; try { File file = new File(filePath); FileInputStream fs = new FileInputStream(file); XWPFDocument doc = new XWPFDocument(fs); XWPFWordExtractor extractor = new XWPFWordExtractor(doc); String text = extractor.getText();//获取word中的文本内容 extractor.close(); fs.close(); result = text; }catch (Exception e) { e.printStackTrace(); } return result; } } （2）调用工具类的readWordToHtml方法ReadFileController类中添加如下方法： /** * 读取Word中的文本内容转html(docx) */ @RequestMapping(value ="/readWordFile2") public Map readWordFile2(HttpServletRequest request,HttpServletResponse response){ Map result = new HashMap(); //word文件地址放在src/main/webapp/下 //表示到项目的根目录（webapp）下，要是想到目录下的子文件夹，修改"/"即可 String path = request.getSession().getServletContext().getRealPath("/"); String filePath = path+"template/wp.docx"; try { //读取Word中的文本内容包含表格 String wordhtml = WordRead.readWordToHtml(filePath); result.put("content", wordhtml); }catch (Exception e) { e.printStackTrace(); } return result; } （3）在页面中调用上一步的读取方法 二：读取docx文档内容（组装格式） 读取docx文档内容（带格式） //读取Word文档内容（带格式） function doReadFile2(){ $("#wordDiv").hide(); $.ajax({ type:"get", url:"/auth/readFile/readWordFile2", data:{}, dataType:"JSON",//预期服务器返回的数据类型 success:function(res){ console.log(res) $("#wordDiv").show(); var html=""; html+="word内容如下：" html+=""+res.content+""; $("#wordDiv").html(html); } }) } （4）启动测试运行结果： 解决方法： 获取单元格的跨列个数,组装单元格的跨列属性（colspan） （1）编写获取单元格的跨列个数 /** * 获取单元格跨列个数 * @return */ public static BigInteger getCellGridSpanNum(XWPFTableCell cell){ BigInteger gridSpanNum =null; //获取单元格跨列 CTDecimalNumber gridSpanXml = cell.getCTTc().getTcPr().getGridSpan(); if(gridSpanXml!=null){ gridSpanNum = gridSpanXml.getVal(); System.out.println("gridSpanNum:"+gridSpanNum); } return gridSpanNum; } （2）组装单元格的跨列属性
"+getParagraphText(paragraph)+" "; } result+=cellText; result+=""; } result+=""; } result+=""; } return result; } （3）测试运行结果如下： 获取word文档中的所有图片： XWPFDocument document = new XWPFDocument(new FileInputStream("E:\\w3.docx")); //获取word中的所有图片 List picLists= document.getAllPictures(); for(XWPFPictureData pic:picLists){ System.out.println("图片名称:\t" + pic.getFileName()); System.out.println("图片类型：\t" + pic.getPictureType()); byte[] data = pic.getData(); System.out.println(data); //下载图片到w3.docx所在文件夹 String imagePath = "E:\\w3.docx"; FileOutputStream fos = new FileOutputStream(imagePath + pic.getFileName()); fos.write(data); }实现： （1）在WordRead工具类中添加解析方法（文本、图片、表格） /** * 读取word中的文本内容（段落、表格、图片分开处理）转HTML docx后缀名的Word * @param filePath 文件路径 * @throws IOException */ public static String readWordImgToHtml(String filePath) throws IOException{ XWPFDocument document = new XWPFDocument(new FileInputStream(filePath)); String htmlText=""; try { // 获取word中的所有段落与表格 List elements = document.getBodyElements(); for (IBodyElement element : elements) { // 段落 if (element instanceof XWPFParagraph) { htmlText+=getParagraphHtmlText((XWPFParagraph) element); } // 表格 else if (element instanceof XWPFTable) { htmlText+=getTabelHtmlText((XWPFTable) element); } } //获取word中的所有图片 List picLists= document.getAllPictures(); for(XWPFPictureData pic:picLists){ System.out.println("图片名称:\t" + pic.getFileName()); System.out.println("图片类型：\t" + pic.getPictureType()); byte[] data = pic.getData(); System.out.println(data); //字节流图片上传，并返回服务器地址 String imgUrl = getImageUrl(data, pic.getFileName()); System.out.println("图片服务器地址："+imgUrl); //组装img htmlText+="ReadFileController类中添加如下方法： /** * 读取docx文档内容(文本、图片和表格---手动组装格式) */ @RequestMapping(value ="/readWordFile3") public Map readWordFile3(HttpServletRequest request,HttpServletResponse response){ Map result = new HashMap(); //word文件地址放在src/main/webapp/下 //表示到项目的根目录（webapp）下，要是想到目录下的子文件夹，修改"/"即可 String path = request.getSession().getServletContext().getRealPath("/"); String filePath = path+"template/wp3.docx"; try { //读取Word中的文本内容包含表格 String wordhtml = WordRead.readWordImgToHtml(filePath); result.put("content", wordhtml); }catch (Exception e) { e.printStackTrace(); } return result; } （3）在页面中调用上一步的读取方法 三：读取docx文档内容（文本、图片和表格）（组装格式） 读取docx文档内容（带格式并包含图片） //读取Word文档内容（带格式并包含图片） function doReadFile3(){ $("#wordDiv").hide(); $.ajax({ type:"get", url:"/auth/readFile/readWordFile3", data:{}, dataType:"JSON",//预期服务器返回的数据类型 success:function(res){ console.log(res) $("#wordDiv").show(); var html=""; html+="word内容如下：" html+=""+res.content+""; $("#wordDiv").html(html); } }) } （4）启动测试运行结果： 点击此处进行下载 参考资料： java使用poi读写word中的内容（包含表格内容） XWPF POI word文档操作 java解析docx文档提取文字和图片 java word文件转html （转换后可在线预览） |
通过运行结果，我们看到表格格式出来了，但是有个待解决的问题，表格跨列合并。
修改getTabelHtmlText方法，代码如下：
![]("/spanspan+/spanimgUrlspan+/spanspan")
【本文地址】
今日新闻 |
推荐新闻 |