之前項目里遇到一個需求，需要前端上傳一個word文檔，然後後端提取出該文檔的指定位置的內容並保存。這里後端用的是nodejs，開始接到這個需求，發現無從下手，主要是沒有處理過word這種類型的文檔，怎麼解析?
Excel倒是有相關的庫可以用，而且很簡單
思路
搜索了好一會兒，在npm上發現了一個叫做
adm-zip
的包，這個包可以解壓縮word文檔，原來word文檔也是可以解壓縮的，之前一直不知道,通過如下代碼就可以將word文檔解壓縮，並進一步提取內容
var
admZip
=
require('adm-zip');
const
zip
=
new
admZip('test.docx');
//將該docx解壓到指定文件夾result下
zip.extractAllTo("./result",
/*overwrite*/true);
首先我們新建一個docx文檔，內容如下
然後運行上述代碼進行解壓縮，得到如下的文件，由下圖可以看出生成了好幾個文件夾，word的內容其實是在word文件夾里的document.xml文件內(這里解壓縮後其實源文件還在，並沒有消失)
進入word文件夾後的內容
我們繼續打開document.xml文件來一探究竟裡面到底是啥？注意要用瀏覽器直接打開，如果用ide打開顯示出的所有內容都在一行，無法閱讀！
上圖只是word文檔的一部分，會發現word文檔內看著只有幾段文字，但是xml中卻是長篇大論，仔細分析下也很正常，xml全稱可擴展標記語言，其被設計為傳輸和存儲數據，它僅僅是一個純文本的表示，而word中內容格式千變萬化，肯定需要一種方法來有效描述這些內容的格式，因此採用了xml來描述
我們嘗試一下將
測試文檔
四個字加粗變色傾斜字體，如下圖
然後再進行解壓縮，得到docuemnt.xml並查看對應的內容，如下
這就很明顯了，
<w:b/>
表示文字加粗,
<w:i/>
表示文字傾斜，
<w:color>
表示文字的顏色，所以這么4個字就需要這幾行xml來描述，因此長篇大論的xml也就不足為奇
提取內容
上面說到了xml僅僅是一個文本的表示，我們可以用如下代碼讀取整個xml的內容，結果是一個
string
var
contentXml
=
zip.readAsText("word/document.xml");
接下來是重點，如何提取我們想要的內容呢，答案是正則表達式，首先我們得分析一下word文檔的結構，word文檔其實是由叫做
Paragraph
的段落所構成，在vb中可以很輕松的獲取並修改段落，官網傳送門點此
那麼到底怎麼樣才是一個
Paragraph
呢，其實很簡單，仔細觀察word文檔，見到下圖中的小箭頭了么，每個小箭頭前面的內容就是一個段落，那麼下圖中一共有16個
Paragraph
,當然有些段落是空的，沒有任何內容
我們再來研究xml的結構，收起展開的xml，如下圖，發現
<w:p></w:p>
這么個標簽就是表示的一個段落，中間還有些
<w:p>
藏在表格內，這么一看錶格前面3個段落，後面3個段落，和上圖是對應的
因此，
我們就可以提取出每個段落的文本並返回一個數組，每一項就是一個段落的內容
,這樣就能夠完整的解析出整個word的內容，關鍵在於如何提取每個
<w:p>
的內容，我們繼續展開一個
<w:p>
進行觀察，如下圖，發現內容雖多，其實文本都保存在
<w:t>
中間，因此思路就清晰了，
首先用正則表達式提取出所有<w:p>的內容，再針對每個<w:p>的內容，進行進一步正則提取，提取出其裡面所有<w:t>的內容，並拼接在一起構成一個段落的總內容
具體代碼
下面是具體的提取代碼
//參數是word文件名,第二個參數是回調表示解析完成
var
parser
=
function
parseWordDocument(absoluteWordPath,callback){
//返回內容的數組
var
resultList
=
[];
//如果文件存在
fs.exists(absoluteWordPath,
function(exists){
if(exists){
//解壓縮
const
zip
=
new
admZip(absoluteWordPath);
//將document.xml(解壓縮後得到的文件)讀取為text內容
var
contentXml
=
zip.readAsText("word/document.xml");
//正則匹配出對應的<w:p>裡面的內容,方法是先匹配<w:p>,再匹配裡面的<w:t>,將匹配到的加起來即可
//注意？表示非貪婪模式(盡可能少匹配字元)，否則只能匹配到一個<w:p></w:p>
var
matchedWP
=
contentXml.match(/<w:p.*?>.*?<\/w:p>/gi);
//繼續匹配每個<w:p></w:p>裡面的<w:t>,這里必須判斷matchedWP存在否則報錯
if(matchedWP){
matchedWP.forEach(function(wpItem){
//注意這里<w:t>的匹配，有可能是<w:t
xml:space="preserve">這種格式，需要特殊處理
var
matchedWT
=
wpItem.match(/(<w:t>.*?<\/w:t>)|(<w:t\s.[^>]*?>.*?<\/w:t>)/gi);
var
textContent
=
'';
if(matchedWT){
matchedWT.forEach(function(wtItem){
//如果不是<w:t
xml:space="preserve">格式
if(wtItem.indexOf('xml:space')===-1){
textContent+=wtItem.slice(5,-6);
}else{
textContent+=wtItem.slice(26,-6);
}
});
resultList.push(textContent)
}
});
//解析完成
callback(resultList)
}
}else{
callback(resultList)
}
});
};
注意一下如果段落前有空格，那麼
<w:t>
的格式是不同的，如下，多了這個space描述，所以需要特殊處理
代碼量其實很少，關鍵在於正則的編寫，上述docx文檔提取後的輸出結果如下
最後我把這個工具寫成了一個npm包，地址點這里
Ⅱ word可以解析html嗎
word可以解析html。具體方法如下：
1、使用墨子界面上左上角的文件，在展開的頁面中選擇打開。
2、在其中的打開界面里選擇所需要的html個鍵，解析即可。
Ⅲ java：解析word文檔（前程無憂簡歷），最好有代碼案例poi或者jacob解析都可以，有jar資源，求急。感謝
poi讀取前程無憂的簡歷會打不開的，至少我以前讀是這樣的，因為他有時候是mht文件直接另存為word文檔的，所以保險起見建議用jacob來讀，如果他是doc或者是docx文檔可以轉化為html然後用jsoup來讀取，效果挺好的
下面是轉化的代碼：
packagecom.java.doc;
importcom.jacob.activeX.ActiveXComponent;
importcom.jacob.com.Dispatch;
importcom.jacob.com.Variant;
publicclassJacobRead{
publicstaticvoidextractDoc(StringinputFIle,StringoutputFile){
booleanflag=false;
//打開Word應用程序
ActiveXComponentapp=newActiveXComponent("Word.Application");
try{
//設置word不可見
app.setProperty("Visible",newVariant(false));
//打開word文件
Dispatchdoc1=app.getProperty("Documents").toDispatch();
Dispatchdoc2=Dispatch.invoke(
doc1,
"Open",
Dispatch.Method,
newObject[]{inputFIle,newVariant(false),
newVariant(true)},newint[1]).toDispatch();
//作為txt格式保存到臨時文件
Dispatch.invoke(doc2,"SaveAs",Dispatch.Method,newObject[]{
outputFile,newVariant(7)},newint[1]);
//關閉word
Variantf=newVariant(false);
Dispatch.call(doc2,"Close",f);
flag=true;
}catch(Exceptione){
e.printStackTrace();
}finally{
app.invoke("Quit",newVariant[]{});
}
if(flag==true){
System.out.println("TransformedSuccessfully");
}else{
System.out.println("TransformFailed");
}
}
publicstaticvoidmain(String[]args){
JacobRead.extractDoc("D:/xxxx簡歷.doc","D:/e.txt");
}
}
當然，也可以轉化為txt讀取，這部分代碼沒保存，你可以到網上找找，和轉化成html的方法大差不差。
然後下面是我以前寫的poi讀取的方式：
packageTestHanLp;
importjava.io.FileInputStream;
importjava.io.FileNotFoundException;
importjava.io.IOException;
importorg.apache.poi.POIXMLDocument;
importorg.apache.poi.POIXMLTextExtractor;
importorg.apache.poi.hwpf.extractor.WordExtractor;
importorg.apache.poi.openxml4j.opc.OPCPackage;
importorg.apache.poi.xwpf.extractor.XWPFWordExtractor;
importorg.apache.poi.xwpf.usermodel.XWPFDocument;
publicclassTest{
privatestaticStringtext="";
publicstaticStringRead(Stringpath)throwsException{
//解析docx格式的簡歷
if(path.toLowerCase().endsWith("docx")){
try{
OPCPackageoPCPackage=POIXMLDocument.openPackage(path);
XWPFDocumentxwpf=newXWPFDocument(oPCPackage);
POIXMLTextExtractorex=newXWPFWordExtractor(xwpf);
text=ex.getText();
oPCPackage.close();
}
catch(FileNotFoundExceptione)
{
e.printStackTrace();
}
catch(IOExceptione)
{
e.printStackTrace();
}
}else{
//解析doc格式的簡歷
if(path.toLowerCase().endsWith("doc")){
FileInputStreamfis=newFileInputStream(path);//載入文檔
WordExtractorwordExtractor=newWordExtractor(fis);
String[]paragraph=wordExtractor.getParagraphText();
StringBufferstringBuffer=newStringBuffer();
for(inti=0;i<paragraph.length;i++){
if(null!=paragraph[i]&&!"".equals(paragraph[i])){
paragraph[i]=paragraph[i].substring(0,paragraph[i].length()-1);//去掉末尾符號
}
stringBuffer.append(paragraph[i]).append(" ");//將每一小段隔開
}
text=stringBuffer.toString();
}
}
returntext;
}
}
望題主採納
對了，jacob讀取word文檔的效果比poi號，但運行速度不夠，用的時候自己考慮考慮吧
Ⅳ word文檔出現文件無法解析是怎麼回事
肯定是編輯的時候用的word版本比較高 但是打開的那個word版本比較低，有些個文件解析不出來，出現亂碼！
Ⅳ java解析word文檔有哪些方法
java讀取word文檔時，雖然網上介紹了很多插件poi、java2Word、jacob、itext等等，poi無法讀取格式(新的估
計行好像還在處於研發階段，不太穩定，做項目不太敢用)；java2Word、jacob容易報錯找不到注冊，比較詭異，我曾經在不同的機器上試過，操作
方法完全一致，有的機器不報錯，有的報錯，去他們論壇找高人解決也說不出原因，項目部署用它有點玄；itxt好像寫很方便但是我查了好久資料沒有見到過關
於讀的好辦法。經過一番選擇還是折中點採用rtf最好，畢竟rtf是開源格式，不需要藉助任何插件，只需基本IO操作外加編碼轉換即可。rtf格式文件表
面看來和doc沒啥區別，都可以用word打開，各種格式都可以設定。
----- 實現的功能：讀取rtf模板內容（格式和文本內容），替換變化部分，形成新的rtf文檔。
----- 實現思路：模板中固定部分手動輸入，變化的部分用$info$表示，只需替換$info$即可。
1、採用位元組的形式讀取rtf模板內容
2、將可變的內容字元串轉為rtf編碼
3、替換原文中的可變部分，形成新的rtf文檔
主要程序如下：
public String bin2hex(String bin) {
char[] digital = "0123456789ABCDEF".toCharArray();
StringBuffer sb = new StringBuffer("");
byte[] bs = bin.getBytes();
int bit;
for (int i = 0; i < bs.length;i++) {
bit = (bs[i] & 0x0f0)
>> 4;
sb.append("\\'");
sb.append(digital[bit]);
bit = bs[i] & 0x0f;
sb.append(digital[bit]);
}
return sb.toString();
}
public String readByteRtf(InputStream ins, String path){
String sourcecontent =
"";
try{
ins = new
FileInputStream(path);
byte[] b
= new byte[1024];
if (ins == null) {
System.out.println("源模板文件不存在");
}
int bytesRead = 0;
while (true) {
bytesRead = ins.read(b, 0, 1024); // return final read bytes
counts
if(bytesRead == -1) {// end of InputStream
System.out.println("讀取模板文件結束");
break;
}
sourcecontent += new String(b, 0, bytesRead); // convert to string
using bytes
}
}catch(Exception e){
e.printStackTrace();
}
return sourcecontent ;
}
以上為核心代碼，剩餘部分就是替換，從新組裝java中的String.replace(oldstr,newstr);方法可以實現，在這就不貼了。源代碼部分詳見附件。
運行源代碼前提：
c盤創建YQ目錄，將附件中"模板.rtf"復制到YQ目錄之下，運行OpreatorRTF.java文件即可，就會在YQ目錄下生成文件名如：21時15分19秒_cheney_記錄.rtf
的文件。
package com;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileWriter;
import java.io.IOException;
import java.io.InputStream;
import java.io.PrintWriter;
import java.text.SimpleDateFormat;
import java.util.Date;
public class OperatorRTF {
public String strToRtf(String content){
char[] digital = "0123456789ABCDEF".toCharArray();
StringBuffer sb = new StringBuffer("");
byte[] bs = content.getBytes();
int bit;
for (int i = 0; i < bs.length; i++) {
bit = (bs[i] & 0x0f0)
>> 4;
sb.append("\\'");
sb.append(digital[bit]);
bit = bs[i] & 0x0f;
sb.append(digital[bit]);
}
return sb.toString();
}
public String replaceRTF(String content,String replacecontent,int
flag){
String rc = strToRtf(replacecontent);
String target = "";
if(flag==0){
target = content.replace("$timetop$",rc);
}
if(flag==1){
target = content.replace("$info$",rc);
}
if(flag==2){
target = content.replace("$idea$",rc);
}
if(flag==3){
target = content.replace("$advice$",rc);
}
if(flag==4){
target = content.replace("$infosend$",rc);
}
return target;
}
public String getSavePath() {
String path = "C:\\YQ";
File fDirecotry = new File(path);
if (!fDirecotry.exists()) {
fDirecotry.mkdirs();
}
return path;
}
public String ToSBC(String input){
char[] c =
input.toCharArray();
for (int i =
0; i < c.length; i++){
if (c[i] == 32){
c[i] = (char) 12288;
continue;
}
if (c[i] < 127){
c[i] = (char) (c[i] + 65248);
}
}
return new
String(c);
}
public void rgModel(String username, String content) {
// TODO Auto-generated method stub
Date current=new Date();
SimpleDateFormat sdf=new java.text.SimpleDateFormat("yyyy-MM-dd
HH:mm:ss");
String targetname = sdf.format(current).substring(11,13) + "時";
targetname += sdf.format(current).substring(14,16) + "分";
targetname += sdf.format(current).substring(17,19) + "秒";
targetname += "_" + username +"_記錄.rtf";
String strpath = getSavePath();
String sourname = strpath+"\\"+"模板.rtf";
String sourcecontent = "";
InputStream ins = null;
try{
ins = new FileInputStream(sourname);
byte[] b = new byte[1024];
if (ins == null) {
System.out.println("源模板文件不存在");
}
int bytesRead = 0;
while (true) {
bytesRead = ins.read(b, 0, 1024); // return final read bytes
counts
if(bytesRead == -1) {// end of InputStream
System.out.println("讀取模板文件結束");
break;
}
sourcecontent += new String(b, 0, bytesRead); // convert to string
using bytes
}
}catch(Exception e){
e.printStackTrace();
}
String targetcontent = "";
String array[] = content.split("~");
for(int i=0;i<array.length;i++){
if(i==0){
targetcontent = replaceRTF(sourcecontent, array[i], i);
}else{
targetcontent = replaceRTF(targetcontent, array[i], i);
}
}
try {
FileWriter fw = new FileWriter(getSavePath()+"\\" +
targetname,true);
PrintWriter out = new PrintWriter(fw);
if(targetcontent.equals("")||targetcontent==""){
out.println(sourcecontent);
}else{
out.println(targetcontent);
}
out.close();
fw.close();
System.out.println(getSavePath()+" 該目錄下生成文件" +
targetname + " 成功");
} catch (IOException e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
public static void main(String[] args) {
// TODO Auto-generated method stub
OperatorRTF oRTF = new OperatorRTF();
String content =
"2008年10月12日9時-2008年10月12日6時~我們參照檢驗葯品的方法~我們參照檢驗葯品的方法~我們參照檢驗葯品的方法~我們參照檢驗葯品的方法";
oRTF.rgModel("cheney",content);
}
}