Java操作Word文檔的全攻略(讀取doc與docx文件)

更新時間：2025年07月31日 09:13:18 作者：碼界奇點

在當今辦公自動化和文檔處理場景中,Java開發(fā)者經(jīng)常需要處理Word文檔（.doc和.docx格式）,無論是數(shù)據(jù)提取、文檔轉(zhuǎn)換還是內(nèi)容分析,掌握高效的Word文檔操作技術(shù)至關(guān)重要,本文將全面介紹Java中讀取兩種主流Word格式的技術(shù)方案、核心API和最佳實踐,需要的朋友可以參考下

引言

在當今辦公自動化和文檔處理場景中，Java開發(fā)者經(jīng)常需要處理Word文檔（.doc和.docx格式）。無論是數(shù)據(jù)提取、文檔轉(zhuǎn)換還是內(nèi)容分析，掌握高效的Word文檔操作技術(shù)至關(guān)重要。本文將全面介紹Java中讀取兩種主流Word格式的技術(shù)方案、核心API和最佳實踐，幫助開發(fā)者快速實現(xiàn)文檔處理需求。

1. Word文檔格式與Java生態(tài)支持

1.1 doc與docx格式差異

doc：采用二進制格式（OLE復合文檔），是傳統(tǒng)Office 97-2003的標準格式。特點包括：

結(jié)構(gòu)復雜，直接解析困難
缺乏開放標準，兼容性較差
不支持現(xiàn)代文檔特性（如高級排版、SVG圖形）

docx：基于XML的OOXML格式（實際為ZIP壓縮包），Office 2007+的標準格式。優(yōu)勢包括：

開放標準（ECMA-376/ISO 29500）
模塊化設(shè)計（分離文檔內(nèi)容、樣式、媒體等）
更小的文件體積

技術(shù)對比示例：

# docx文件解壓后結(jié)構(gòu)
unzip -l document.docx

輸出顯示典型的word/document.xml核心內(nèi)容文件及_rels關(guān)系文件等。

1.2 常用Java庫對比

庫名稱	支持格式	優(yōu)點	缺點
Apache POI	doc/docx	官方支持，功能全面	API復雜，內(nèi)存消耗大
docx4j	docx	面向OOXML設(shè)計，模板引擎支持	不支持舊版doc格式
Jacob (COM)	doc	Windows原生調(diào)用，高性能	僅限Windows系統(tǒng)

選型建議：

需要同時處理兩種格式 → Apache POI
純docx現(xiàn)代應用 → docx4j
遺留系統(tǒng)Windows環(huán)境 → Jacob

2. 讀取docx文件（Apache POI方案）

2.1 基礎(chǔ)環(huán)境搭建

Maven配置（建議使用最新穩(wěn)定版）：

<dependency>  
  <groupId>org.apache.poi</groupId>  
  <artifactId>poi-ooxml</artifactId>  
  <version>5.2.3</version>  
</dependency>

Gradle配置：

implementation 'org.apache.poi:poi-ooxml:5.2.3'

2.2 核心對象模型解析

XWPFDocument：整個文檔的容器對象，提供：

getParagraphs()  // 獲取所有段落
getTables()      // 獲取所有表格
getFootnotes()   // 獲取腳注

XWPFParagraph：段落對象，包含：

文本內(nèi)容（getText()）
段落樣式（getAlignment()）
文本塊集合（getRuns()）

XWPFRun：樣式文本單元，可獲?。?/p>

getFontSize()  // 字號
isBold()       // 加粗狀態(tài)
getColor()     // 顏色值

XWPFTable：表格處理核心類，通過：

getRows()       // 獲取行
getCell(row,col)// 定位單元格

2.3 完整代碼示例

import org.apache.poi.xwpf.usermodel.*;

public class DocxReader {
    public static void main(String[] args) throws Exception {
        // 1. 加載文檔
        XWPFDocument doc = new XWPFDocument(
            new FileInputStream("report.docx"));
        
        // 2. 段落處理
        System.out.println("==== 段落內(nèi)容 ====");
        doc.getParagraphs().forEach(p -> {
            System.out.println(p.getText());
            
            // 獲取文本樣式
            p.getRuns().forEach(run -> {
                System.out.printf("[字體:%s 大小:%d]%n", 
                    run.getFontName(), run.getFontSize());
            });
        });
        
        // 3. 表格處理
        System.out.println("==== 表格數(shù)據(jù) ====");
        for (XWPFTable table : doc.getTables()) {
            for (XWPFTableRow row : table.getRows()) {
                for (XWPFTableCell cell : row.getTableCells()) {
                    System.out.print(cell.getText() + " | ");
                }
                System.out.println();
            }
        }
        
        // 4. 釋放資源
        doc.close();
    }
}

3. 處理傳統(tǒng)doc文件（POI-HWPF模塊）

3.1 特殊依賴說明

需額外添加poi-scratchpad模塊：

<dependency>  
  <groupId>org.apache.poi</groupId>  
  <artifactId>poi-scratchpad</artifactId>  
  <version>5.2.3</version>  
</dependency>

3.2 關(guān)鍵API詳解

HWPFDocument：文檔入口類，提供：

getRange()            // 獲取文檔內(nèi)容范圍
getSummaryInformation() // 元數(shù)據(jù)（作者、標題等）

Range：核心內(nèi)容容器，包含：

numParagraphs()      // 段落總數(shù)
getParagraph(index)  // 獲取特定段落

CharacterRun：帶格式的文本片段，可獲取：

isBold()
isItalic()
getFontSize()

3.3 讀取代碼示例

import org.apache.poi.hwpf.*;
import org.apache.poi.hwpf.usermodel.*;

public class DocReader {
    public static void main(String[] args) throws Exception {
        // 1. 加載文檔
        HWPFDocument doc = new HWPFDocument(
            new FileInputStream("legacy.doc"));
        
        // 2. 獲取文檔范圍
        Range range = doc.getRange();
        
        // 3. 讀取段落
        System.out.println("==== 文本內(nèi)容 ====");
        for (int i = 0; i < range.numParagraphs(); i++) {
            Paragraph para = range.getParagraph(i);
            System.out.println(para.text());
        }
        
        // 4. 讀取表格（需要特殊處理）
        TableIterator it = new TableIterator(range);
        while (it.hasNext()) {
            Table table = it.next();
            for (int r = 0; r < table.numRows(); r++) {
                TableRow row = table.getRow(r);
                for (int c = 0; c < row.numCells(); c++) {
                    TableCell cell = row.getCell(c);
                    System.out.print(cell.text().trim() + "\t");
                }
                System.out.println();
            }
        }
        
        // 5. 釋放資源
        doc.close();
    }
}

4. 高級處理技巧

4.1 樣式信息提取

獲取docx文本樣式（使用POI底層OOXML模型）：

XWPFParagraph paragraph = doc.getParagraphArray(0);
for (XWPFRun run : paragraph.getRuns()) {
    CTRPr pr = run.getCTR().getRPr();
    if (pr != null) {
        System.out.println("加粗: " + pr.isSetB());
        System.out.println("字體: " + run.getFontName());
    }
}

4.2 大文件優(yōu)化策略

使用事件模型處理GB級文檔：

import org.apache.poi.openxml4j.opc.*;
import org.apache.poi.xwpf.eventusermodel.*;

public class LargeDocxReader {
    public static void main(String[] args) throws Exception {
        OPCPackage pkg = OPCPackage.open("huge.docx");
        XWPFReader reader = new XWPFReader(pkg);
        
        // 自定義內(nèi)容處理器
        XWPFReader.SAXParser parser = reader.getSAXParser();
        parser.parse(new XWPFVisitor() {
            @Override
            public void visitParagraph(XWPFParagraph paragraph) {
                System.out.println(paragraph.getText());
            }
        });
        
        pkg.close();
    }
}

4.3 混合格式處理方案

自動識別并處理不同格式：

public void processDocument(File file) throws Exception {
    String name = file.getName().toLowerCase();
    
    if (name.endsWith(".docx")) {
        try (XWPFDocument doc = new XWPFDocument(new FileInputStream(file))) {
            // docx處理邏輯
        }
    } else if (name.endsWith(".doc")) {
        try (HWPFDocument doc = new HWPFDocument(new FileInputStream(file))) {
            // doc處理邏輯
        }
    } else {
        throw new IllegalArgumentException("Unsupported format");
    }
}

5. 常見問題與解決方案

5.1 典型異常處理

異常類型	原因分析	解決方案
OLE2NotOfficeXmlFileException	文件格式不匹配	使用Files.probeContentType()檢測實際類型
EncryptedDocumentException	文檔加密	使用Biff8EncryptionKey.setCurrentUserPassword("pass")
OutOfMemoryError	內(nèi)存不足	增加JVM內(nèi)存或改用SAX解析

5.2 編碼問題排查

處理中文亂碼示例：

// 嘗試不同編碼方案
String[] encodings = {"GBK", "UTF-8", "ISO-8859-1"};
for (String enc : encodings) {
    try {
        String text = new String(paragraph.getBytes(), enc);
        System.out.println(enc + ": " + text);
        break;
    } catch (Exception e) {
        continue;
    }
}