JavaIO如何读取doc文件内容？

在Java中读取Word文档（.doc格式）需要借助第三方库，因为标准Java IO（java.io）本身不直接支持.doc文件的解析，本文将详细介绍如何结合Apache POI库实现.doc文件的读取，涵盖环境搭建、核心代码实现及异常处理等关键环节。

环境准备：引入Apache POI依赖

Apache POI是处理Office文档的权威开源库，支持.doc、.xls等多种格式，首先需在项目中添加POI依赖，若使用Maven，在pom.xml中配置如下：

<dependencies>
    <!-- POI核心依赖 -->
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi</artifactId>
        <version>5.2.3</version>
    </dependency>
    <!-- 处理Word文档的依赖 -->
    <dependency>
        <groupId>org.apache.poi</groupId>
        <artifactId>poi-scratchpad</artifactId>
        <version>5.2.3</version>
    </dependency>
</dependencies>

注意：POI 5.x版本已全面支持Java 8+，同时兼容旧版.doc格式（HWPF模块）。

基础读取流程：打开文档与获取内容

读取.doc文件的核心步骤包括：文件定位、文档对象初始化、内容提取及资源释放，以下为完整代码示例：

import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.usermodel.Range;
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
public class DocReader {
    public static void main(String[] args) {
        String filePath = "example.doc";
        try (FileInputStream fis = new FileInputStream(new File(filePath));
             HWPFDocument document = new HWPFDocument(fis)) {
            // 获取文档文本内容
            Range range = document.getRange();
            String text = range.text();
            System.out.println("文档内容：\n" + text);
        } catch (IOException e) {
            System.err.println("读取文档失败：" + e.getMessage());
        }
    }
}

关键点解析：

1. FileInputStream：用于读取文件字节流，需配合try-with-resources确保流自动关闭。
2. HWPFDocument：POI中专门处理.doc格式的类，通过输入流初始化。
3. Range.text()：直接提取文档的全部文本内容，包含段落、表格等文本信息。

进阶操作：处理复杂文档结构

实际.doc文件可能包含表格、页眉页脚等复杂元素，需针对性处理：

读取表格内容

// 遍历文档中的表格
for (int i = 0; i < range.numTables(); i++) {
    Table table = range.getTable(i);
    for (int row = 0; row < table.numRows(); row++) {
        for (int col = 0; col < table.getRow(row).numCells(); col++) {
            System.out.print(table.getRow(row).getCell(col).text() + "\t");
        }
        System.out.println();
    }
}

提取页眉页脚

Header header = range.getHeader();
Footer footer = range.getFooter();
System.out.println("页眉：" + header.text());
System.out.println("页脚：" + footer.text());

获取段落格式

for (int i = 0; i < range.numParagraphs(); i++) {
    Paragraph paragraph = range.getParagraph(i);
    System.out.println("段落：" + paragraph.text());
    System.out.println("字体大小：" + paragraph.getFontName());
}

异常处理与性能优化

1. 异常处理：需捕获IOException及POIXMLException（若处理.docx文件），建议自定义异常类封装错误信息。
2. 大文件处理：对于超过10MB的.doc文件，可使用POIFSFileSystem流式读取，避免内存溢出：

   POIFSFileSystem fs = new POIFSFileSystem(new File("large.doc"));
   HWPFDocument document = new HWPFDocument(fs);

3. 编码问题：若文档包含非UTF-8字符，需在FileInputStream中指定编码：

   new FileInputStream(new File("example.doc"), StandardCharsets.GBK);

替代方案与注意事项

1. 其他库选择：若仅需提取文本，可考虑docx4j或Apache Tika，后者支持更多格式但性能较低。
2. 兼容性限制：HWPF模块对.docx支持有限，处理新版Word文档需使用XWPFDocument（POI的.docx模块）。
3. 资源释放：务必关闭所有流对象，建议使用try-with-resources语法避免内存泄漏。

通过以上步骤,可高效实现Java中.doc文件的读取操作，实际开发中需根据文档复杂度选择合适的方法，并注意异常处理和资源管理，确保程序的稳定性和可维护性。