Apache POI解析Word文档完全指南

在Java开发中，处理Word文档是一项常见需求。Apache POI作为最流行的Office文档处理库，提供了对Word、Excel、PowerPoint等格式的全面支持。本文将重点介绍如何使用POI解析Word文档（包括.doc和.docx格式），帮助开发者高效提取文档内容。

1. 环境准备

首先，在项目中引入POI依赖。以Maven为例：

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

poi处理旧版.doc格式，poi-ooxml处理新版.docx格式，poi-scratchpad提供HWPF（Word旧格式）支持。

2. 解析.docx格式（XWPF）

.docx格式基于XML，使用XWPF组件解析。示例：

import org.apache.poi.xwpf.usermodel.*;
import java.io.FileInputStream;
import java.io.IOException;

public class ReadDocx {
    public static void main(String[] args) throws IOException {
        try (FileInputStream fis = new FileInputStream("sample.docx");
             XWPFDocument document = new XWPFDocument(fis)) {
            // 读取段落
            for (XWPFParagraph paragraph : document.getParagraphs()) {
                System.out.println(paragraph.getText());
            }
            // 读取表格
            for (XWPFTable table : document.getTables()) {
                for (XWPFTableRow row : table.getRows()) {
                    for (XWPFTableCell cell : row.getTableCells()) {
                        System.out.print(cell.getText() + "	");
                    }
                    System.out.println();
                }
            }
            // 读取图片
            for (XWPFPictureData picture : document.getAllPictures()) {
                byte[] data = picture.getData();
                String fileName = picture.getFileName();
                // 处理图片数据
            }
        }
    }
}

3. 解析.doc格式（HWPF）

旧版.doc格式使用HWPF（Horrible Word Processor Format）组件：

import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.extractor.WordExtractor;
import java.io.FileInputStream;
import java.io.IOException;

public class ReadDoc {
    public static void main(String[] args) throws IOException {
        try (FileInputStream fis = new FileInputStream("sample.doc");
             HWPFDocument document = new HWPFDocument(fis)) {
            WordExtractor extractor = new WordExtractor(document);
            String[] paragraphs = extractor.getParagraphText();
            for (String p : paragraphs) {
                System.out.println(p);
            }
            // 读取表格较为复杂，需要遍历Range
        }
    }
}

4. 常见问题与技巧

• 处理大型文档：建议使用流式API（SAX）避免内存溢出，POI的XWPFDocument默认加载整个文档，对于超大文档可考虑XWPFReader。
• 保留格式：如果只需纯文本，使用WordExtractor；如需保留样式，需遍历Run对象。
• 编码问题：确保文件流编码正确，中文乱码可尝试设置System.setProperty("file.encoding","UTF-8")。
• 版本兼容：POI 5.x支持Office 2007及以上，旧版.doc需依赖poi-scratchpad。

5. 总结

Apache POI为Java开发者提供了强大而灵活的Word文档解析能力。通过XWPF和HWPF组件，可以轻松读取文本、表格、图片等元素。在实际项目中，建议根据文档格式选择对应组件，并注意资源管理和性能优化。掌握POI，让Word文档处理不再困难。