用java语言通过POI实现word文档的按标题提取

最近有一个项目需要将一个word文档中的数据提取到数据库中。就去网上查了好多资料，最靠谱的就是用poi实现word文档的提取。

喝水不忘挖井人，我查了好多资料就这个最靠谱，我的这篇博客主要是借鉴https://blog.csdn.net/qq_16601953/article/details/82415518

现在讲一下思路：

1.首先我们要用poi将word中的数据提取出来，我把提取的数据存到字符数组中，

2.然后通过sql数据将字符串数组中的数据存到mysql数据库中

当然需要jar包依赖

可能不需要这么多，但是我都导进去了

网上有poi的下载链接http://120.52.51.14/archive.apache.org/dist/poi/release/bin/poi-bin-3.17-20170915.zip

如果实在找不到的话加我 

下面贴上主要代码我是按照上面博客借鉴的稍微根据我的需求改了改

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);
            //获取段落
            List<XWPFParagraph> paras=doc.getParagraphs();

            for (XWPFParagraph para : paras){
 //             System.out.println(para.getCTP());//得到xml格式
              System.out.println(para.getStyleID());//段落级别
              System.out.println(para.getParagraphText());//段落内容

                String titleLvl = getTitleLvl(doc,para);//获取段落级别
                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();
                //一个XWPFRun代表具有相同属性的一个区域。
                XWPFRun ctRun = ctPara.createRun();
                String ctText = para.getParagraphText();
                ctRun.setFontFamily("宋体");//字体
                ctRun.setFontSize(12);

                if(null!=titleLvl&&!"".equals(titleLvl)&&!"8".equals(titleLvl)){
                    addCustomHeadingStyle(createDoc,titleLvl,Integer.parseInt(titleLvl));
                    String orderCode = getOrderCode(titleLvl);//获取编号
                    ctText = orderCode+" "+ctText;
                    ctRun.setBold(true);//标题加粗
                    ctRun.setFontSize(14);

                    ctPara.setStyle(titleLvl);

                }else{//正文
                    ctPara.setIndentationFirstLine(567);//首行缩进：567==1厘米
//                  ctRun.setTextPosition(6);//设置行间距
                }

                ctRun.setText(ctText);//内容
            }
            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中的大纲级别，可以通过getPPr().getOutlineLvl()直接提取，但需要注意，Word中段落级别，通过如下三种方式定义： 
     *  1、直接对段落进行定义； 
     *  2、对段落的样式进行定义； 
     *  3、对段落样式的基础样式进行定义。 
     *  因此，在通过“getPPr().getOutlineLvl()”提取时，需要依次在如上三处读取。
     * @param doc
     * @param para
     * @return
     */
    private static String getTitleLvl(XWPFDocument doc, XWPFParagraph para) {
        String titleLvl = "";
        try {
            //判断该段落是否设置了大纲级别
            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 {
            //判断该段落的样式是否设置了大纲级别
            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 {
            //判断该段落的样式的基础样式是否设置了大纲级别
            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;
    }

    /**
     * 增加自定义标题样式。这里用的是stackoverflow的源码
     * 
     * @param docxDocument 目标文档
     * @param strStyleId 样式名称
     * @param headingLevel 样式级别
     */
    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);

    }
    /**
     * 获取标题编号
     * @param titleLvl
     * @return
     */
    private static String getOrderCode(String titleLvl) {
        String order = "";

        if("0".equals(titleLvl)||Integer.parseInt(titleLvl)==8){//文档标题||正文
            return "";
        }else if(Integer.parseInt(titleLvl)>0&&Integer.parseInt(titleLvl)<8){//段落标题

            //设置最高级别标题
            Map<String,Object> maxTitleMap = orderMap.get("maxTitleLvlMap");
            if(null==maxTitleMap){//没有，表示第一次进来
                //最高级别标题赋值
                maxTitleMap = new HashMap<String, Object>();
                maxTitleMap.put("lvl", titleLvl);
                orderMap.put("maxTitleLvlMap", maxTitleMap);
            }else{
                String maxTitleLvl = maxTitleMap.get("lvl")+"";//最上层标题级别(0,1,2,3)
                if(Integer.parseInt(titleLvl)<Integer.parseInt(maxTitleLvl)){//当前标题级别更高
                    maxTitleMap.put("lvl", titleLvl);//设置最高级别标题
                    orderMap.put("maxTitleLvlMap", maxTitleMap);
                }
            }

            //查父节点标题
            int parentTitleLvl = Integer.parseInt(titleLvl)-1;//父节点标题级别
            Map<String,Object> cMap = orderMap.get(titleLvl);//当前节点信息
            Map<String,Object> pMap = orderMap.get(parentTitleLvl+"");//父节点信息

            if(0==parentTitleLvl){//父节点为文档标题，表明当前节点为1级标题
                int count= 0;
                //最上层标题，没有父节点信息
                if(null==cMap){//没有当前节点信息
                    cMap = new HashMap<String, Object>();
                }else{
                    count = Integer.parseInt(String.valueOf(cMap.get("cCount")));//当前序个数
                }
                count++;
                order = count+"";
                cMap.put("cOrder", order);//当前序
                cMap.put("cCount", count);//当前序个数
                orderMap.put(titleLvl, cMap);

            }else{//父节点为非文档标题
                int count= 0;
                //如果没有相邻的父节点信息，当前标题级别自动升级
                if(null==pMap){
                    return getOrderCode(String.valueOf(parentTitleLvl));
                }else{
                    String pOrder = String.valueOf(pMap.get("cOrder"));//父节点序
                    if(null==cMap){//没有当前节点信息
                        cMap = new HashMap<String, Object>();
                    }else{
                        count = Integer.parseInt(String.valueOf(cMap.get("cCount")));//当前序个数
                    }
                    count++;
                    order = pOrder+"."+count;//当前序编号
                    cMap.put("cOrder", order);//当前序
                    cMap.put("cCount", count);//当前序个数
                    orderMap.put(titleLvl, cMap);
                }
            }

            //字节点标题计数清零
            int childTitleLvl = Integer.parseInt(titleLvl)+1;//子节点标题级别
            Map<String,Object> cdMap = orderMap.get(childTitleLvl+"");//
            if(null!=cdMap){
                cdMap.put("cCount", 0);//子节点序个数
                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);
            //获取段落
            List<XWPFParagraph> paras=doc.getParagraphs();

            for (XWPFParagraph para : paras){
              //System.out.println(para.getCTP());//得到xml格式
              //System.out.println(para.getStyleID());//段落级别
             // System.out.println(para.getParagraphText());//段落内容
              String titleLvl = getTitleLvl(doc,para);//获取段落级别
              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是导入到数据库的需要新建数据库工具类

你自己弄就OK

如果是单纯的读取的话用下面的代码，因为上面比较繁琐我都不太理解，下面的代码比较简单易懂，当然功能相对也少，只能读取所有内容不能识别标题

借鉴的哪一篇博客因为时间太长了，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 {
    /**
     * 读取word文件内容
     * 
     * @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("自己的路径.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) {//判断页面数是否为单数
                String[] a=arr[i].split("\d+|\s+");
            if(arr[i]!="\s+") {//判断该元素是否为连续空格
                if(a.length==2) {//判断该元素是否为标题即分割成2个段
                    reci[j]=a[1];
                System.out.println(a[1]);
                }
                else if(a.length==1) {
                    reci[j]=a[1];
                System.out.println(arr[i]);
                }
                else//否则该元素是平常元素可以分割成3个段
                    {
                    reci[j]=a[2];
                    System.out.println(a[2]);
                    }
                }
        }
            else {
                String[] a=arr[i].split("\d{2,3}|\s+|\t");
                    if(arr[i]!="\s+") {//判断该元素是否为连续空格
                        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]);
    }
}

还有下面这一种方法，与上面相似

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 {
    /**
     * 读取doc文件内容
     * 
     * @param file
     *            想要读取的文件对象
     * @return 返回文件内容
     * @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("自己的路径.doc");
        try {
            System.out.println(doc2String(file));
        } catch (IOException e) {
            e.printStackTrace();
        }
    }
}

结果截图因为一部分原因就不贴出来了

当然对于poi我还是比较陌生，希望大牛们批评指正