背景
在互聯網教育行業，做內容相關的項目經常碰到的一個問題就是如何解析word文檔。
因為系統如果無法智能的解析word，那么就只能通過其他方式手動錄入word內容，效率低下，而且人工成本和錄入出錯率都較高。
疑難點
word解析可以預見的困難主要有以下幾個方面:
- word 結構問題 —— word不開源，且含有很多非文本內容，比如圖表，而已知的常規方法只能解析純文本內容，所以如果不知道word內部層級結構，解析將難以進行。
- word 公式問題 —— word公式來源並非單一，可能是用MathType插件生成的latex公式，也可能是用word自帶公式編輯器生成的公式，還有可能公式部分手敲，部分使用搜狗輸入法或者其它編輯器輸入。不同來源處理方式是否一樣？且能否有效讀取文檔各種上下腳標？方便后期展示？
- word 非文本問題 —— word含有很多的非文本內容，比如圖表。來源也多樣，圖表可能是用word自帶的畫圖工具生成的，也有可能是復制粘貼的，不同來源解析方式是否一樣？且讀取的時候是否能有效獲取圖片的位置及大小信息？方便文檔內容后期在PC端和移動端展示。無論最終方案是什么，肯定是將所有的且需要的非文本信息轉換為文本信息。
- word 版本問題 —— word有03、07等好幾個版本，還有WPS版本，解析是否要全部兼容？后綴名有docx和doc，是否全部兼容？當然，前提是已經成功解析一種類型。
- word 規范問題 —— 有些word可能是早期制作的，返工代價太大，所以格式內容多樣化。而且就算制定word格式規范，新制作的word也無法保證格式一定正確，除非是程序自動生成的文檔。舉個例子，試題的題序，肉眼無法區分的格式就有好幾種。程序只可能盡量覆蓋絕大部分情況，考慮的情況越多，解析正確率越高，當然程序也更復雜。
Java解析word
以前曾用Java解析過word文檔，所以最先考慮用Java來解決問題，網上搜索方案主要有如下幾種：
- jacob：網上資料較少，目前已經實現的是用jacob解析mathtype輸入的公式，然后調用word宏命令轉成latex，但jacob無法解析word自帶的公式。jacob也可以定位word圖片總數及word圖片位置，但目前沒找到將圖片另存本地的方法。
- poi：情況與jacob類似。
- Aspose.words：一個商業收費類庫，可以使應用程序處理大量的文件任務，支持word、pdf等各種格式操作。但是看文檔介紹沒有關於公式的處理方案。
Java使用以上幾種方案的確解決了部分問題，但很多異常情況還是無法處理，比如無法定位word的批注等。
以下是使用Java定位word圖片總數及其位置的代碼，更多解決方案請戳 http://www.cnblogs.com/x_wukong/p/4270867.html
package com.latex.test;
import com.jacob.activeX.ActiveXComponent;
import com.jacob.com.Dispatch;
import com.jacob.com.Variant;
public class test {
public static void main(String[] args) {
long time1 = System.currentTimeMillis();
ActiveXComponent word = new ActiveXComponent("word.Application");
Dispatch wordObject = (Dispatch) word.getObject();
Dispatch.put((Dispatch) wordObject, "Visible", new Variant(false));
Dispatch documents = word.getProperty("Documents").toDispatch();
Dispatch document = Dispatch.call(documents, "Open", "D://test.docx").toDispatch();
Dispatch wordContent = Dispatch.get(document, "Content").toDispatch();
Dispatch paragraphs = Dispatch.get(wordContent, "Paragraphs").toDispatch();
int paragraphCount = Dispatch.get(paragraphs, "Count").getInt();// 總行數
for (int i = 1; i <= paragraphCount; i++) {
Dispatch paragraph = Dispatch.call(paragraphs, "Item", new Variant(i)).toDispatch();
Dispatch paragraphRange = Dispatch.get(paragraph, "Range").toDispatch();
String paragraphContent = Dispatch.get(paragraphRange, "Text").toString();
System.out.println(paragraphContent);//打印每行內容
Dispatch imgDispatch = Dispatch.get(paragraphRange, "InlineShapes").toDispatch();//圖片
int imgCount = Dispatch.get(imgDispatch, "Count").getInt();
System.out.println("第" + i +"行圖片總數" + imgCount);
for(int j=1;j<imgCount+1;j++){
Dispatch shape = Dispatch.call(imgDispatch, "Item", new Variant(1)).toDispatch();
Dispatch imageRange = Dispatch.get(shape, "Range").toDispatch();
Dispatch.call(imageRange, "Copy");
Dispatch.call(imageRange, "Paste");
}
}
Dispatch.call(document, "SaveAs" , new Variant( "D://test1.docx"));
Dispatch.call(document, "Close", new Variant(true));
Dispatch.call(word, "Quit");
long time2 = System.currentTimeMillis();
double time3 = (time2 - time1)/1000;
System.out.println(time3 + " 秒.");
}
}
問題分析
用Java預研一段時間后，進展緩慢，很多非文本內容無法解析，歸根結底是不知道word內部層級結構。
如果能像html頁面那樣知道各個節點的構成，那么word解析成功按道理就只是時間問題。
但是word是微軟的項目，不開源，所以得去搜索下微軟本身是否提供了解析word層級結構的插件。
然后發現了個好東東，名為 Open XML SDK 2.0 Productivity Tool。
下載安裝后，把一個word文檔拖進面板，就可以看見word層級結構了 ~(～￣▽￣)～
知道層級結構就可以着手解決解析問題了，其它核心細節這里不方便透露，感興趣的可以私聊，哈哈 ~~
其他
word中的公式處理是一個比較大的門檻，這里分享一篇不錯的文章：
菁優網、梯子網、猿題庫的數學公式是如何實現的？