Java如何解析Word文档？

在Java中解析Word文档，开发者常用Apache POI、Apache Tika等成熟库实现,以下为详细方法及代码示例：

主流方法及代码实现

Apache POI（推荐）

• 适用格式：.doc (HWPF) 和 .docx (XWPF)

• Maven依赖：

  <dependency>
      <groupId>org.apache.poi</groupId>
      <artifactId>poi</artifactId>
      <version>5.2.3</version> <!-- .doc支持 -->
  </dependency>
  <dependency>
      <groupId>org.apache.poi</groupId>
      <artifactId>poi-ooxml</artifactId>
      <version>5.2.3</version> <!-- .docx支持 -->
  </dependency>

• 解析.docx文件：

  import org.apache.poi.xwpf.usermodel.*;
  import java.io.FileInputStream;
  public class DocxParser {
      public static void main(String[] args) throws Exception {
          try (FileInputStream fis = new FileInputStream("document.docx");
               XWPFDocument doc = new XWPFDocument(fis)) {
              // 1. 提取文本
              StringBuilder text = new StringBuilder();
              for (XWPFParagraph p : doc.getParagraphs()) {
                  text.append(p.getText()).append("n");
              }
              System.out.println("文本内容: " + text);
              // 2. 提取表格
              for (XWPFTable table : doc.getTables()) {
                  for (XWPFTableRow row : table.getRows()) {
                      for (XWPFTableCell cell : row.getTableCells()) {
                          System.out.print(cell.getText() + "t");
                      }
                      System.out.println();
                  }
              }
              // 3. 提取图片（需保存到本地）
              for (XWPFPictureData pic : doc.getAllPictures()) {
                  byte[] data = pic.getData();
                  String fileName = pic.getFileName();
                  // 保存图片到文件系统...
              }
          }
      }
  }

• 解析.doc文件（旧格式）：

  

  import org.apache.poi.hwpf.HWPFDocument;
  import org.apache.poi.hwpf.extractor.WordExtractor;
  public class DocParser {
      public static void main(String[] args) throws Exception {
          try (FileInputStream fis = new FileInputStream("document.doc");
               HWPFDocument doc = new HWPFDocument(fis)) {
              WordExtractor extractor = new WordExtractor(doc);
              String text = extractor.getText(); // 获取全文
              System.out.println(text);
          }
      }
  }

Apache Tika（自动识别格式）

• 优势：自动检测文件类型，支持Word/PDF/Excel等

• Maven依赖：

  <dependency>
      <groupId>org.apache.tika</groupId>
      <artifactId>tika-core</artifactId>
      <version>2.7.0</version>
  </dependency>
  <dependency>
      <groupId>org.apache.tika</groupId>
      <artifactId>tika-parsers</artifactId>
      <version>2.7.0</version>
  </dependency>

• 代码示例：

  import org.apache.tika.Tika;
  import org.apache.tika.metadata.Metadata;
  import java.io.FileInputStream;
  public class TikaParser {
      public static void main(String[] args) throws Exception {
          Tika tika = new Tika();
          try (FileInputStream fis = new FileInputStream("document.docx")) {
              Metadata metadata = new Metadata();
              String content = tika.parseToString(fis, metadata);
              System.out.println("内容: " + content);
              System.out.println("类型: " + metadata.get(Metadata.CONTENT_TYPE));
          }
      }
  }

关键注意事项

1. 格式兼容性：

   

   • .docx（POI的XWPFDocument）解析更稳定，.doc（HWPFDocument）已停止更新。
   • 复杂格式（如公式、艺术字）可能解析失败,需测试验证。

2. 性能优化：

   • 大文件处理：使用POI SAX模式（如XSSFEventBasedExcelExtractor）避免内存溢出。
   • 关闭资源：用try-with-resources确保流和文档对象关闭。
     提取限制**：
   • POI可获取文本、表格、图片，但无法保留原始样式（如字体颜色）。
   • 需处理加密文档：通过POI的EncryptedDocumentException捕获异常。

常见问题解决方案

• 乱码问题：指定编码（如TextExtractor.setEncoding("UTF-8")）。
• 依赖冲突：检查Maven的依赖树（mvn dependency:tree）,排除重复库。
• 云文档解析：先通过API（如Microsoft Graph）下载为本地文件再解析。

替代方案

• docx4j：专精.docx，支持图表/批注等高级特性（但学习曲线陡峭）。
• OpenPDF：专注PDF,若需Word转PDF后解析可使用。
• 商业库：Aspose.Words（付费，功能全面，支持渲染为HTML/PDF）。

引用说明

• Apache POI官方文档：https://poi.apache.org/
• Apache Tika官网：https://tika.apache.org/
• 示例代码基于Apache License 2.0开源协议。

通过上述方法，开发者可高效解析Word内容至Java应用，推荐优先使用Apache POI处理结构化数据，或Apache Tika实现快速全文提取,实际部署前建议进行多格式兼容性测试。