java怎么解析word文档？有现成库吗？能提取文字和表格吗？

在Java开发中，解析Word文档是一项常见需求，无论是读取文档内容、提取数据还是修改文档结构，都需要借助合适的工具库，本文将详细介绍几种主流的Java解析Word文档的方法，包括其适用场景、核心代码示例及注意事项。

使用Apache POI解析Word文档

Apache POI是Java领域最常用的Office文档处理库，支持对Word（.doc和.docx）文件的读写操作，其核心类包括HWPF（处理.doc格式）和XWPF（处理.docx格式）。

解析.docx格式

对于较新的.docx格式，可通过XWPFDocument类加载文档，并遍历段落、表格、图片等元素。

import org.apache.poi.xwpf.usermodel.XWPFDocument;  
import org.apache.poi.xwpf.usermodel.XWPFParagraph;  
import java.io.FileInputStream;  
public class DocxParser {  
    public static void main(String[] args) throws Exception {  
        FileInputStream fis = new FileInputStream("example.docx");  
        XWPFDocument document = new XWPFDocument(fis);  
        // 遍历段落  
        for (XWPFParagraph paragraph : document.getParagraphs()) {  
            System.out.println(paragraph.getText());  
        }  
        // 遍历表格  
        document.getTables().forEach(table -> {  
            table.getRows().forEach(row -> {  
                row.getTableCells().forEach(cell -> {  
                    System.out.print(cell.getText() + "\t");  
                });  
                System.out.println();  
            });  
        });  
        fis.close();  
        document.close();  
    }  
}  

解析.doc格式

对于旧版.doc格式，需使用HWPFDocument类，但其功能相对有限，且对复杂样式的支持较弱。

使用docx4j处理.docx文档

docx4j是另一个专注于Office Open XML（如.docx）的库，功能更强大，尤其在处理复杂文档结构（如页眉页脚、超链接、样式）时表现更优。

核心代码示例

import org.docx4j.openpackaging.packages.WordprocessingMLPackage;  
import org.docx4j.openpackaging.parts.WordprocessingML.MainDocumentPart;  
public class Docx4jParser {  
    public static void main(String[] args) throws Exception {  
        WordprocessingMLPackage wordMLPackage = WordprocessingMLPackage.load(new File("example.docx"));  
        MainDocumentPart documentPart = wordMLPackage.getMainDocumentPart();  
        // 获取文档纯文本内容  
        String text = documentPart.getText();  
        System.out.println(text);  
        // 提取特定段落（如带有标题样式的段落）  
        documentPart.getContent().forEach(node -> {  
            if (node instanceof org.docx4j.wml.P) {  
                org.docx4j.wml.P p = (org.docx4j.wml.P) node;  
                // 可通过p.getPPr()获取段落样式，进一步筛选  
            }  
        });  
    }  
}  

使用Jacob（Windows专用）

Jacob（Java-COM Bridge）通过调用Windows COM组件（如Microsoft Word）解析文档，适合需要依赖Word原生功能的场景（如复杂版式渲染），但仅支持Windows系统，且需安装Word。

核心代码示例

import com.jacob.activeX.ActiveXComponent;  
import com.jacob.com.Dispatch;  
public class JacobParser {  
    public static void main(String[] args) {  
        ActiveXComponent word = new ActiveXComponent("Word.Application");  
        word.setProperty("Visible", new Variant(false));  
        Dispatch documents = word.getProperty("Documents").toDispatch();  
        Dispatch document = Dispatch.call(documents, "Open", "example.docx").toDispatch();  
        Dispatch content = Dispatch.get(document, "Content").toDispatch();  
        String text = Dispatch.get(content, "Text").toString();  
        System.out.println(text);  
        Dispatch.call(document, "Close", new Variant(false));  
        word.invoke("Quit", new Variant[]{});  
    }  
}  

选择建议与注意事项

1. 格式选择：

   • 优先使用Apache POI或docx4j处理.docx格式，二者均为纯Java实现，跨平台性好。
   • 若必须处理.doc格式，仅建议使用Apache POI的HWPF，但需注意功能限制。

2. 功能需求：

   • 简单文本提取：Apache POI足够轻量；
   • 复杂样式处理（如页眉页脚、图表）：docx4j更专业；
   • 依赖Word原生功能：Jacob可选，但需Windows环境。

3. 性能与依赖：

   

   • Apache POI和docx4j需引入相关依赖（如poi-ooxml、docx4j-core），注意版本兼容性；
   • Jacob需额外配置jacob.dll，且多线程支持较差。

4. 异常处理：

   • 文件操作需捕获IOException，COM操作需处理ComFailException，确保资源释放（如关闭文档、退出Word进程）。

通过以上方法，可根据实际需求选择合适的工具高效解析Word文档,实现数据提取与处理功能。