不能每天都發雞湯呀,今天分享一篇開發實戰。
業務需求
我們有這樣一個需求,需要抽取出WORD文檔中的内容,然後組裝成特定的json格式發送給第三方引擎接口,輸入協定如下:
{
"tables": [
{
"cells": [
{
"col": 1,
"row_span": 1,
"row": 1,
"col_span": 1,
"content": "車輛名稱"
}
],
"id": 0,
"row_num": 2
}
],
"paragraps": [
{
"para_id": 1,
"content": "Hello,JAVA日知錄"
}
]
}
這個輸入格式一看就是需要我們分段落和表格讀取word中的内容,既然需求已定,那就直接開始動手寫代碼吧。
基于POI實作
把 “java如何讀取word” 拿到百度去搜尋,答案基本都是利用POI來實作。當然利用POI确實可以實作按段落和表格提取出内容并組裝成上述格式,但是在實踐過程中有下面2個問題:
- 需要分别處理兩種格式
、docx
POI使用不同的API來讀取docx和doc,是以讀取邏輯我們需要編寫兩次。doc
- POI讀取doc的段落時會把表格的内容也讀取出來 這個問題比較坑,poi有單獨的方法讀取文檔中所有表格,但是在讀取doc格式段落文檔的時候會把表格内容也讀取出來,是以我們需要用如下方法排除掉表格:
//讀取doc
HWPFDocument doc = new HWPFDocument(stream);
Range range = doc.getRange();
//讀取段落
int num = range.numParagraphs();
Paragraph para;
for (int i=0; i<num; i++) {
para = range.getParagraph(i);
//排除表格内容
if (!para.isInTable()) {
System.out.println(para.text());
}
}
考慮以上兩種原因,我們最後并沒有采取POI來實作word内容提取功能,而是采用第二種方法,即利用 Spire.Doc for Java 來實作。
Spire.Doc for Java
Spire.Doc for Java 是一款專業的 Java Word 元件,開發人員使用它可以輕松地将 Word 文檔建立、讀取、編輯、轉換和列印等功能內建到自己的 Java 應用程式中。
作為一款完全獨立的元件,Spire.Doc for Java 的運作環境無需安裝 Microsoft Office。官網位址是
https://www.e-iceblue.cn/ ,我們項目中使用的開源免費版。
- 首先我們修改maven倉庫位址
<repositories>
<repository>
<id>com.e-iceblue</id>
<url>http://repo.e-iceblue.com/nexus/content/groups/public/</url>
</repository>
</repositories>
- 引入對應的jar包
<dependency>
<groupId>e-iceblue</groupId>
<artifactId>spire.doc.free</artifactId>
<version>3.9.0</version>
</dependency>
- 讀取word,這裡展示的是測試類
public class SpireApplication {
public static void main(String[] args) {
String path = "D:\\testDoc22.doc";
spireParaghDoc(path);
spireForTableOfDoc(path);
}
//讀取段落
public static void spireParaghDoc(String path) {
Document doc = new Document(path);
for (int i = 0; i < doc.getSections().getCount(); i++) {
Section p = doc.getSections().get(i);
for (int j = 0; j < p.getParagraphs().getCount(); j++) {
Paragraph paragraph = p.getParagraphs().get(j);
System.out.println(paragraph.getText());
}
}
}
//讀取表格
public static void spireForTableOfDoc(String path) {
Document doc = new Document(path);
for (int i = 0; i < doc.getSections().getCount(); i++) {
Section p = doc.getSections().get(i);
for (int j = 0; j < p.getBody().getChildObjects().getCount(); j++) {
DocumentObject obj = p.getBody().getChildObjects().get(j);
if (obj.getDocumentObjectType() == DocumentObjectType.Table) {
Table table = (Table) obj;
for (int k = 0; k < table.getRows().getCount(); k++) {
TableRow rows = table.getRows().get(k);
for (int p = 0; p < rows.getCells().getCount(); p++) {
for (int h = 0; h < rows.getCells().get(p).getParagraphs().getCount(); h++) {
Paragraph f = rows.getCells().get(p).getParagraphs().get(h);
System.out.println(f.getText());
}
}
}
}
}
}
}
}
通過上面代碼我們就可以按段落和表格讀取WORD中的内容,而後根據系統業務要求的格式進行封裝即可。
以上,希望對你有所幫助!