用java語言通過POI實現word文檔的按標題提取

最近有一個項目需要將一個word文檔中的數據提取到數據庫中。就去網上查了好多資料，最靠譜的就是用poi實現word文檔的提取。

喝水不忘挖井人，我查了好多資料就這個最靠譜，我的這篇博客主要是借鑒https://blog.csdn.net/qq_16601953/article/details/82415518

 

現在講一下思路：

1.首先我們要用poi將word中的數據提取出來，我把提取的數據存到字符數組中，

2.然后通過sql數據將字符串數組中的數據存到mysql數據庫中

當然需要jar包依賴

可能不需要這么多，但是我都導進去了

網上有poi的下載鏈接http://120.52.51.14/archive.apache.org/dist/poi/release/bin/poi-bin-3.17-20170915.zip

如果實在找不到的話加我 

下面貼上主要代碼我是按照上面博客借鑒的稍微根據我的需求改了改

import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.math.BigInteger;
import java.util.HashMap;
import java.util.List;
import java.util.Map;

import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFParagraph;
import org.apache.poi.xwpf.usermodel.XWPFRun;
import org.apache.poi.xwpf.usermodel.XWPFStyle;
import org.apache.poi.xwpf.usermodel.XWPFStyles;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTDecimalNumber;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTOnOff;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTPPr;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTString;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.CTStyle;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.STStyleType;


public class test {
private static Map<String,Map<String,Object>> orderMap =new HashMap<String, Map<String,Object>>();

    public void init(String targetPath,String sourcePath){
        InputStream is = null;
        XWPFDocument doc=null;
        OutputStream out=null;
        try {
            XWPFDocument createDoc = new XWPFDocument();

            is = new FileInputStream(sourcePath);
            doc = new XWPFDocument(is);
            //獲取段落
            List<XWPFParagraph> paras=doc.getParagraphs();

            for (XWPFParagraph para : paras){
 //             System.out.println(para.getCTP());//得到xml格式
              System.out.println(para.getStyleID());//段落級別
              System.out.println(para.getParagraphText());//段落內容

                String titleLvl = getTitleLvl(doc,para);//獲取段落級別
                if("a5".equals(titleLvl)||"HTML".equals(titleLvl)||"".equals(titleLvl)||null==titleLvl){
                    titleLvl = "8";
                }
              System.out.println(titleLvl+"-----");//0,1,2
                if(!"8".equals(titleLvl)){
                    System.out.println(titleLvl+"===="+para.getParagraphText());
                }


                XWPFParagraph ctPara = createDoc.createParagraph();
                //一個XWPFRun代表具有相同屬性的一個區域。
                XWPFRun ctRun = ctPara.createRun();
                String ctText = para.getParagraphText();
                ctRun.setFontFamily("宋體");//字體
                ctRun.setFontSize(12);

                if(null!=titleLvl&&!"".equals(titleLvl)&&!"8".equals(titleLvl)){
                    addCustomHeadingStyle(createDoc,titleLvl,Integer.parseInt(titleLvl));
                    String orderCode = getOrderCode(titleLvl);//獲取編號
                    ctText = orderCode+" "+ctText;
                    ctRun.setBold(true);//標題加粗
                    ctRun.setFontSize(14);

                    ctPara.setStyle(titleLvl);

                }else{//正文
                    ctPara.setIndentationFirstLine(567);//首行縮進：567==1厘米
//                  ctRun.setTextPosition(6);//設置行間距
                }

                ctRun.setText(ctText);//內容
            }
            out=new FileOutputStream(targetPath);
            createDoc.write(out);
        } catch (Exception e) {
            e.printStackTrace();
        } finally{
            try {
                if(null!=out){
                    out.close();
                } 
                if(null!=is){
                    is.close();
                }
            }catch (IOException e) {
                e.printStackTrace();
            }
        }
    }

    /**
     * Word中的大綱級別，可以通過getPPr().getOutlineLvl()直接提取，但需要注意，Word中段落級別，通過如下三種方式定義： 
     *  1、直接對段落進行定義； 
     *  2、對段落的樣式進行定義； 
     *  3、對段落樣式的基礎樣式進行定義。 
     *  因此，在通過“getPPr().getOutlineLvl()”提取時，需要依次在如上三處讀取。
     * @param doc
     * @param para
     * @return
     */
    private static String getTitleLvl(XWPFDocument doc, XWPFParagraph para) {
        String titleLvl = "";
        try {
            //判斷該段落是否設置了大綱級別
            if (para.getCTP().getPPr().getOutlineLvl() != null) {
                // System.out.println("getCTP()");
//              System.out.println(para.getParagraphText());
//              System.out.println(para.getCTP().getPPr().getOutlineLvl().getVal());

                return String.valueOf(para.getCTP().getPPr().getOutlineLvl().getVal());
            }
        } catch (Exception e) {

        }

        try {
            //判斷該段落的樣式是否設置了大綱級別
            if (doc.getStyles().getStyle(para.getStyle()).getCTStyle().getPPr().getOutlineLvl() != null) {

                // System.out.println("getStyle");
//              System.out.println(para.getParagraphText());
//              System.out.println(doc.getStyles().getStyle(para.getStyle()).getCTStyle().getPPr().getOutlineLvl().getVal());

                return String.valueOf(doc.getStyles().getStyle(para.getStyle()).getCTStyle().getPPr().getOutlineLvl().getVal());
            }
        } catch (Exception e) {

        }

        try {
            //判斷該段落的樣式的基礎樣式是否設置了大綱級別
            if (doc.getStyles().getStyle(doc.getStyles().getStyle(para.getStyle()).getCTStyle().getBasedOn().getVal())
                    .getCTStyle().getPPr().getOutlineLvl() != null) {
                // System.out.println("getBasedOn");
//              System.out.println(para.getParagraphText());
                String styleName = doc.getStyles().getStyle(para.getStyle()).getCTStyle().getBasedOn().getVal();
//              System.out.println(doc.getStyles().getStyle(styleName).getCTStyle().getPPr().getOutlineLvl().getVal());

                return String.valueOf(doc.getStyles().getStyle(styleName).getCTStyle().getPPr().getOutlineLvl().getVal());
            }
        } catch (Exception e) {

        }

        try {
            if(para.getStyleID()!=null){
                return para.getStyleID();
            }
        } catch (Exception e) {

        }

        return titleLvl;
    }

    /**
     * 增加自定義標題樣式。這里用的是stackoverflow的源碼
     * 
     * @param docxDocument 目標文檔
     * @param strStyleId 樣式名稱
     * @param headingLevel 樣式級別
     */
    private static void addCustomHeadingStyle(XWPFDocument docxDocument, String strStyleId, int headingLevel) {

        strStyleId = String.valueOf(Integer.parseInt(strStyleId)+1);
        CTStyle ctStyle = CTStyle.Factory.newInstance();
        ctStyle.setStyleId(strStyleId);

        CTString styleName = CTString.Factory.newInstance();
        styleName.setVal(strStyleId);
        ctStyle.setName(styleName);

        CTDecimalNumber indentNumber = CTDecimalNumber.Factory.newInstance();
        indentNumber.setVal(BigInteger.valueOf(headingLevel));

        // lower number > style is more prominent in the formats bar
        ctStyle.setUiPriority(indentNumber);

        CTOnOff onoffnull = CTOnOff.Factory.newInstance();
        ctStyle.setUnhideWhenUsed(onoffnull);

        // style shows up in the formats bar
        ctStyle.setQFormat(onoffnull);

        // style defines a heading of the given level
        CTPPr ppr = CTPPr.Factory.newInstance();
        ppr.setOutlineLvl(indentNumber);
        ctStyle.setPPr(ppr);

        XWPFStyle style = new XWPFStyle(ctStyle);

        // is a null op if already defined
        XWPFStyles styles = docxDocument.createStyles();

        style.setType(STStyleType.PARAGRAPH);
        styles.addStyle(style);

    }
    /**
     * 獲取標題編號
     * @param titleLvl
     * @return
     */
    private static String getOrderCode(String titleLvl) {
        String order = "";

        if("0".equals(titleLvl)||Integer.parseInt(titleLvl)==8){//文檔標題||正文
            return "";
        }else if(Integer.parseInt(titleLvl)>0&&Integer.parseInt(titleLvl)<8){//段落標題

            //設置最高級別標題
            Map<String,Object> maxTitleMap = orderMap.get("maxTitleLvlMap");
            if(null==maxTitleMap){//沒有，表示第一次進來
                //最高級別標題賦值
                maxTitleMap = new HashMap<String, Object>();
                maxTitleMap.put("lvl", titleLvl);
                orderMap.put("maxTitleLvlMap", maxTitleMap);
            }else{
                String maxTitleLvl = maxTitleMap.get("lvl")+"";//最上層標題級別(0,1,2,3)
                if(Integer.parseInt(titleLvl)<Integer.parseInt(maxTitleLvl)){//當前標題級別更高
                    maxTitleMap.put("lvl", titleLvl);//設置最高級別標題
                    orderMap.put("maxTitleLvlMap", maxTitleMap);
                }
            }

            //查父節點標題
            int parentTitleLvl = Integer.parseInt(titleLvl)-1;//父節點標題級別
            Map<String,Object> cMap = orderMap.get(titleLvl);//當前節點信息
            Map<String,Object> pMap = orderMap.get(parentTitleLvl+"");//父節點信息

            if(0==parentTitleLvl){//父節點為文檔標題，表明當前節點為1級標題
                int count= 0;
                //最上層標題，沒有父節點信息
                if(null==cMap){//沒有當前節點信息
                    cMap = new HashMap<String, Object>();
                }else{
                    count = Integer.parseInt(String.valueOf(cMap.get("cCount")));//當前序個數
                }
                count++;
                order = count+"";
                cMap.put("cOrder", order);//當前序
                cMap.put("cCount", count);//當前序個數
                orderMap.put(titleLvl, cMap);

            }else{//父節點為非文檔標題
                int count= 0;
                //如果沒有相鄰的父節點信息，當前標題級別自動升級
                if(null==pMap){
                    return getOrderCode(String.valueOf(parentTitleLvl));
                }else{
                    String pOrder = String.valueOf(pMap.get("cOrder"));//父節點序
                    if(null==cMap){//沒有當前節點信息
                        cMap = new HashMap<String, Object>();
                    }else{
                        count = Integer.parseInt(String.valueOf(cMap.get("cCount")));//當前序個數
                    }
                    count++;
                    order = pOrder+"."+count;//當前序編號
                    cMap.put("cOrder", order);//當前序
                    cMap.put("cCount", count);//當前序個數
                    orderMap.put(titleLvl, cMap);
                }
            }

            //字節點標題計數清零
            int childTitleLvl = Integer.parseInt(titleLvl)+1;//子節點標題級別
            Map<String,Object> cdMap = orderMap.get(childTitleLvl+"");//
            if(null!=cdMap){
                cdMap.put("cCount", 0);//子節點序個數
                orderMap.get(childTitleLvl+"").put("cCount", 0);
            }
        }
        return order;
    }

    public static void main(String[] args) {
        InputStream is = null;
        XWPFDocument doc=null;
        OutputStream out=null;
        String[] title= new String [276];
        String[] concent= new String [276];
        String[] type= new String [276];
        int i=0;
        try {
            XWPFDocument createDoc = new XWPFDocument();

            is = new FileInputStream("E:/doc/a.docx");
            doc = new XWPFDocument(is);
            //獲取段落
            List<XWPFParagraph> paras=doc.getParagraphs();

            for (XWPFParagraph para : paras){
              //System.out.println(para.getCTP());//得到xml格式
              //System.out.println(para.getStyleID());//段落級別
             // System.out.println(para.getParagraphText());//段落內容
              String titleLvl = getTitleLvl(doc,para);//獲取段落級別
              if("a5".equals(titleLvl)||"HTML".equals(titleLvl)||"".equals(titleLvl)||null==titleLvl){
                  titleLvl = "8";
              }
            //System.out.println(titleLvl+"-----");//0,1,2
             if(!"8".equals(titleLvl)){
                //System.out.println(titleLvl+"===="+para.getParagraphText());
                
                if("3".equals(titleLvl)) {
                    
                    if(concent[i]!=null)
                    concent[i]=concent[i]+para.getParagraphText();
                    else
                    concent[i]=para.getParagraphText();
                    //System.out.println(concent[i]);
                }
                if("2".equals(titleLvl)) {
                    i++;
                    title[i]=para.getParagraphText();
                    type[i]=type[i-1];
                    //System.out.println(title[i]);
                }
                if("1".equals(titleLvl)) {
                    i++;
                    type[i]=para.getParagraphText();     
                    //System.out.println(title[i]);
                }
            }
            

            }
            for(int j=2;j<title.length;j++) {
                if(title[j]!=null) {
                    String sql = "INSERT INTO shuju (title,concent,type)VALUES ('"+title[j]+"','"+concent[j]+"','"+type[j]+"')";
                    DBUtil jdbc=new DBUtil();
                    int result=jdbc.executeUpdate(sql);
                    jdbc.close();
                    //System.out.println(type[j]);
                //System.out.println(title[j]);
                //System.out.println(concent[j]);
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally{
            try {
                if(null!=out){
                    out.close();
                } 
                if(null!=is){
                    is.close();
                }
            }catch (IOException e) {
                e.printStackTrace();
            }
        }
    }
}

ps：331到341是導入到數據庫的需要新建數據庫工具類

你自己弄就OK

如果是單純的讀取的話用下面的代碼，因為上面比較繁瑣我都不太理解，下面的代碼比較簡單易懂，當然功能相對也少，只能讀取所有內容不能識別標題

借鑒的哪一篇博客因為時間太長了，我忘了，抱歉

package com.poi.test;
 
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStream;
 
import org.apache.poi.POIXMLDocument;
import org.apache.poi.POIXMLTextExtractor;
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.openxml4j.opc.OPCPackage;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
 
public class testPoi {
    /**
     * 讀取word文件內容
     * 
     * @param path
     * @return buffer
     */
 
    public String readWord(String path) {
        String buffer = "";
        try {
            if (path.endsWith(".doc")) {
                InputStream is = new FileInputStream(new File(path));
                WordExtractor ex = new WordExtractor(is);
                buffer = ex.getText();
                ex.close();
            } else if (path.endsWith("docx")) {
                OPCPackage opcPackage = POIXMLDocument.openPackage(path);
                POIXMLTextExtractor extractor = new XWPFWordExtractor(opcPackage);
                buffer = extractor.getText();
                extractor.close();
            } else {
                System.out.println("此文件不是word文件！");
            }
 
        } catch (Exception e) {
            e.printStackTrace();
        }
 
        return buffer;
    }
 
    public static void main(String[] args) {
        // TODO Auto-generated method stub
        testPoi tp = new testPoi();
        String content = tp.readWord("自己的路徑.doc");
        //String arr[]=content.split("\\d+");
        //String arr[]=content.split("第"+"\\w"+"章");
        String arr[]=content.split("\\r\\n");
        /*String[] a=arr[13].split("\\d+");
        String[] b=a[1].split("\\s+");
        System.out.println(b[1]);*/
        String[] reci = new String [276];;
        for(int i=12,j=0;i<290;i++,j++) {
            arr[i]=arr[i]+"1";
            if(!arr[i].equals("1")) {
            
            if(i<27) {//判斷頁面數是否為單數
                String[] a=arr[i].split("\\d+|\\s+");
            if(arr[i]!="\\s+") {//判斷該元素是否為連續空格
                if(a.length==2) {//判斷該元素是否為標題即分割成2個段
                    reci[j]=a[1];
                System.out.println(a[1]);
                }
                else if(a.length==1) {
                    reci[j]=a[1];
                System.out.println(arr[i]);
                }
                else//否則該元素是平常元素可以分割成3個段
                    {
                    reci[j]=a[2];
                    System.out.println(a[2]);
                    }
                }
        }
            else {
                String[] a=arr[i].split("\\d{2,3}|\\s+|\\t");
                    if(arr[i]!="\\s+") {//判斷該元素是否為連續空格
                        if(a.length==2) {
                            reci[j]=a[1];
                            System.out.println(a[1]);
                        }
                        else if(a.length==1) {
                            reci[j]=a[1];
                            System.out.println(arr[i]+i);
                        }
                        else if(a.length==4) {
                            reci[j]=a[1];
                            System.out.println(a[1]);
                        }
                        else
                            {reci[j]=a[2];
                            System.out.println(a[2]);
                            }
                    }
            }
        }
    }
        String fengefu=reci[0];
        for(int i=1;i<276;i++) {
            if(reci[i]!=null)
        fengefu=fengefu+"|"+reci[i];

        }
        System.out.println(reci[275]);
        System.out.println(fengefu);
        String arr2[]=content.split(fengefu);
        for(int i=0;i<200;i++)
            System.out.println(arr2[i]);
    }
}

還有下面這一種方法，與上面相似

package com.xxx.util;
 
import java.io.File;
import java.io.FileInputStream;
import java.io.IOException;
 
import org.apache.poi.hwpf.extractor.WordExtractor;
 
public class DocUtil {
    /**
     * 讀取doc文件內容
     * 
     * @param file
     *            想要讀取的文件對象
     * @return 返回文件內容
     * @throws IOException
     */
    public static String doc2String(FileInputStream fs) throws IOException {
        StringBuilder result = new StringBuilder();
        WordExtractor re = new WordExtractor(fs);
        result.append(re.getText());
        re.close();
        return result.toString();
    }
 
    public static String doc2String(File file) throws IOException {
        return doc2String(new FileInputStream(file));
    }
 
    public static void main(String[] args) {
        File file = new File("自己的路徑.doc");
        try {
            System.out.println(doc2String(file));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

結果截圖因為一部分原因就不貼出來了

當然對於poi我還是比較陌生，希望大牛們批評指正