Java应用poi解析word文档中的数据 附实例代码
前言
在工作当中会遇到这样的一个需求，就是要把上传的 word 文档中的内容解析出来。本文将和大家分享一个由 Apache 软件基金会提供的 poi 开源项目，通过 Java 语言使用 poi 来实现该功能，下面是详细介绍和具体使用方法。
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
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>3.17</version>
</dependency>
<!--POI包 -->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>3.17</version>
</dependency>
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")) {
// 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("
", "");
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<String, List<String>> 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<IBodyElement> 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<String, List<String>> 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<String, List<String>> getTabelText(XWPFTable table) {
Map<String, List<String>> result = new LinkedHashMap<>();
List<XWPFTableRow> rows = table.getRows();
for (XWPFTableRow row : rows) {
String key = null;
List<String> list = new ArrayList<>(16);
int i = 0;
List<XWPFTableCell> 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<XWPFParagraph> 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<XWPFRun> 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<String, List<String>> getTabelDocText(Table tb) {
Map<String, List<String>> 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<String> 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
到此这篇关于 Java 如何利用 poi 解析 word 文档中数据的全部内容就介绍到这了,想要了解更多相关java应用的其他内容请搜索W3Cschool以前的文章或继续浏览下面的相关文章，希望大家以后多多支持！