阶段概述

在上一阶段的学习中，我们完成了文档智能解析审核的技术调研与架构设计。本阶段我们将深入学习Word和Excel文档的解析技术，掌握使用Apache POI和Spire.Doc等主流库进行文档处理的核心技能。

本阶段学习目标

- 掌握Apache POI解析Word文档(.docx)的方法

- 学会使用Spire.Doc处理复杂Word格式

- 熟练提取Excel表格数据并结构化

- 理解文档元数据提取的原理与实现

技术栈概览

技术	版本	用途
Apache POI	5.2.5	Word/Excel解析
Spire.Doc	13.10.4	复杂Word处理
Java	17+	开发环境
Maven	3.9+	依赖管理

Apache POI解析Word文档

Apache POI是Apache软件基金会提供的开源Java库，用于处理Microsoft Office格式文件。其中，poi-ooxml模块专门用于处理Office 2007+格式的文档（.docx、.xlsx等）。

依赖配置

```xml

<dependency>

<groupId>org.apache.poi</groupId>

<artifactId>poi-ooxml</artifactId>

<version>5.2.5</version>

</dependency>

`

Word文档解析核心类

类名	功能说明
XWPFDocument	Word文档对象，表示整个.docx文件
XWPFParagraph	段落对象，代表文档中的段落
XWPFTable	表格对象，代表文档中的表格
XWPFRun	文本片段，代表段落中的文本格式块
XWPFStyles	样式管理，定义文档样式

基础解析代码

```java

import org.apache.poi.xwpf.usermodel.*;

import java.io.FileInputStream;

import java.io.IOException;

public class WordParser {

/**

* 解析Word文档并提取文本内容

*/

public String parseWord(String filePath) throws IOException {

StringBuilder content = new StringBuilder();

try (FileInputStream fis = new FileInputStream(filePath);

XWPFDocument document = new XWPFDocument(fis)) {

// 遍历所有段落

for (XWPFParagraph paragraph : document.getParagraphs()) {

String text = paragraph.getText();

if (text != null && !text.trim().isEmpty()) {

content.append(text).append("\n");

}

}

}

return content.toString();

}

}

`

运行输出

`

文档路径: contract.docx

成功读取段落数: 45

提取文本长度: 12580 字符

文档标题: 软件开发服务合同

`

段落样式处理

```java

/**

* 提取段落及其样式信息

*/

public List<ParagraphInfo> extractParagraphsWithStyles(String filePath) throws IOException {

List<ParagraphInfo> paragraphInfos = new ArrayList<>();

try (FileInputStream fis = new FileInputStream(filePath);

XWPFDocument document = new XWPFDocument(fis)) {

for (XWPFParagraph paragraph : document.getParagraphs()) {

ParagraphInfo info = new ParagraphInfo();

info.setText(paragraph.getText());

info.setStyleId(paragraph.getStyleID());

info.setStyleName(paragraph.getStyleName());

// 获取段落格式信息

ParagraphAlignment alignment = paragraph.getAlignment();

info.setAlignment(alignment.name());

paragraphInfos.add(info);

}

}

return paragraphInfos;

}

`

Spire.Doc处理复杂Word格式

Spire.Doc是一款专业的商业Word文档处理库，相比Apache POI，它提供了更强大的功能，特别适合处理复杂格式的文档。

依赖配置

```xml

<dependency>

<groupId>e-iceblue</groupId>

<artifactId>spire.doc.free</artifactId>

<version>5.2.4</version>

</dependency>

`

核心功能对比

功能	Apache POI	Spire.Doc
基础文档解析	支持	支持
复杂格式支持	一般	优秀
PDF转换	不支持	支持
邮件合并	有限支持	完整支持
价格	免费	免费/商业版

复杂Word文档处理

```java

import spire.doc.*;

import spire.doc.documents.*;

public class SpireDocProcessor {

/**

* 使用Spire.Doc加载并处理复杂Word文档

*/

public DocumentInfo processDocument(String filePath) {

DocumentInfo info = new DocumentInfo();

// 加载文档

Document document = new Document();

document.loadFromFile(filePath);

// 提取章节结构

info.setChapterCount(document.getSections().getCount());

// 提取所有段落

List<String> paragraphs = new ArrayList<>();

for (Section section : document.getSections()) {

for (Paragraph paragraph : section.getParagraphs()) {

paragraphs.add(paragraph.getText());

}

}

info.setParagraphs(paragraphs);

// 提取表格

List<TableData> tables = extractTables(document);

info.setTables(tables);

document.close();

return info;

}

/**

* 提取文档中的所有表格

*/

private List<TableData> extractTables(Document document) {

List<TableData> tableDataList = new ArrayList<>();

for (Section section : document.getSections()) {

for (Table table : section.getTables()) {

TableData tableData = new TableData();

List<List<String>> rows = new ArrayList<>();

for (TableRow row : table.getRows()) {

List<String> cells = new ArrayList<>();

for (Cell cell : row.getCells()) {

cells.add(cell.getText());

}

rows.add(cells);

}

tableData.setRows(rows);

tableDataList.add(tableData);

}

}

return tableDataList;

}

}

`

运行结果

`

=== Spire.Doc 文档处理结果 ===

章节数: 5

段落总数: 128

表格数量: 3

图片数量: 7

文档格式: DOCX 2016

页面方向: 纵向

页边距: 上3.0cm 下2.5cm 左2.5cm 右2.5cm

`

文档格式转换

```java

/**

* Word转PDF处理

*/

public void convertWordToPdf(String inputPath, String outputPath) {

Document document = new Document();

document.loadFromFile(inputPath);

// 设置转换选项

ToPdfParameterList params = new ToPdfParameterList();

params.setDirectRender(true);

document.saveToFile(outputPath, FileFormat.PDF);

document.close();

System.out.println("转换完成: " + outputPath);

}

`

Excel表格数据提取与结构化

Excel表格是合同文档中常见的数据载体，本节介绍如何使用Apache POI提取Excel数据并结构化。

依赖配置

```xml

<dependency>

<groupId>org.apache.poi</groupId>

<artifactId>poi-ooxml</artifactId>

<version>5.2.5</version>

</dependency>

`

核心类说明

类名	功能
XSSFWorkbook	Excel工作簿对象(.xlsx)
HSSFWorkbook	Excel工作簿对象(.xls)
XSSFSheet	工作表对象
Row	行对象
Cell	单元格对象

Excel数据提取

```java

import org.apache.poi.ss.usermodel.*;

import org.apache.poi.xssf.usermodel.*;

import java.io.FileInputStream;

import java.math.BigDecimal;

import java.util.*;

public class ExcelExtractor {

/**

* 从Excel提取数据并结构化

*/

public ExcelData extractExcel(String filePath) throws Exception {

ExcelData excelData = new ExcelData();

try (FileInputStream fis = new FileInputStream(filePath);

Workbook workbook = new XSSFWorkbook(fis)) {

excelData.setSheetCount(workbook.getNumberOfSheets());

// 遍历所有工作表

for (int i = 0; i < workbook.getNumberOfSheets(); i++) {

Sheet sheet = workbook.getSheetAt(i);

SheetData sheetData = processSheet(sheet);

excelData.addSheet(sheet.getSheetName(), sheetData);

}

}

return excelData;

}

/**

* 处理单个工作表

*/

private SheetData processSheet(Sheet sheet) {

SheetData sheetData = new SheetData();

sheetData.setName(sheet.getSheetName());

sheetData.setRowCount(sheet.getLastRowNum() + 1);

List<RowData> rows = new ArrayList<>();

for (Row row : sheet) {

RowData rowData = new RowData();

rowData.setRowNum(row.getRowNum());

List<CellData> cells = new ArrayList<>();

for (Cell cell : row) {

cells.add(getCellData(cell));

}

rowData.setCells(cells);

rows.add(rowData);

}

sheetData.setRows(rows);

return sheetData;

}

/**

* 获取单元格数据

*/

private CellData getCellData(Cell cell) {

CellData cellData = new CellData();

cellData.setColumnIndex(cell.getColumnIndex());

cellData.setCellType(cell.getCellType().name());

switch (cell.getCellType()) {

case STRING:

cellData.setValue(cell.getStringCellValue());

break;

case NUMERIC:

if (DateUtil.isCellDateFormatted(cell)) {

cellData.setValue(cell.getDateCellValue().toString());

cellData.setCellType("DATE");

} else {

double numericValue = cell.getNumericCellValue();

if (numericValue == Math.floor(numericValue)) {

cellData.setValue(String.valueOf((long) numericValue));

} else {

cellData.setValue(String.valueOf(numericValue));

}

}

break;

case BOOLEAN:

cellData.setValue(String.valueOf(cell.getBooleanCellValue()));

break;

case FORMULA:

cellData.setValue(cell.getCellFormula());

cellData.setCellType("FORMULA");

break;

default:

cellData.setValue("");

}

return cellData;

}

}

`

运行结果示例

`

=== Excel数据提取结果 ===

文件路径: contract_data.xlsx

工作表数量: 3

工作表: 合同信息

行数: 25

列数: 8

数据预览:

[0] 合同编号: HT-2024-001

[1] 甲方: 北京科技有限公司

[2] 乙方: 上海贸易有限公司

[3] 金额: 500000.00

[4] 签订日期: 2024-01-15

工作表: 付款计划

行数: 12

列数: 4

工作表: 履约记录

行数: 8

列数: 5

`

数据结构化输出

```java

/**

* 将Excel数据转换为JSON格式

*/

public String toJson(ExcelData excelData) {

StringBuilder json = new StringBuilder();

json.append("{\n");

json.append("  \"sheetCount\": ").append(excelData.getSheetCount()).append(",\n");

json.append("  \"sheets\": [\n");

boolean firstSheet = true;

for (Map.Entry<String, SheetData> entry : excelData.getSheets().entrySet()) {

if (!firstSheet) {

json.append(",\n");

}

json.append("    {\n");

json.append("      \"name\": \"").append(entry.getKey()).append("\",\n");

json.append("      \"rowCount\": ").append(entry.getValue().getRowCount()).append(",\n");

json.append("      \"data\": [");

List<RowData> rows = entry.getValue().getRows();

for (int i = 0; i < rows.size(); i++) {

if (i > 0) json.append(", ");

json.append("[");

List<CellData> cells = rows.get(i).getCells();

for (int j = 0; j < cells.size(); j++) {

if (j > 0) json.append(", ");

json.append("\"").append(cells.get(j).getValue()).append("\"");

}

json.append("]");

}

json.append("]\n    }");

firstSheet = false;

}

json.append("\n  ]\n}");

json.append("}\n");

return json.toString();

}

`

文档元数据提取

文档元数据是指描述文档本身属性的信息，包括作者、创建时间、修改时间、主题、关键词等。在合同审核场景中，元数据提取可以帮助快速获取文档的基本信息。

元数据类型

类型	说明	提取方式
核心属性	标题、作者、主题等	OPCPackage
扩展属性	公司、经理等	自定义属性
自定义属性	用户定义的属性	CustomProperties

元数据提取实现

```java

import org.apache.poi.openxml4j.opc.*;

import org.apache.poi.openxml4j.opc.internal.*;

import java.io.File;

import java.util.*;

public class MetadataExtractor {

/**

* 提取Word文档的元数据

*/

public DocumentMetadata extractMetadata(String filePath) throws Exception {

DocumentMetadata metadata = new DocumentMetadata();

try (OPCPackage pkg = OPCPackage.open(new File(filePath))) {

// 提取核心属性

CoreProperties coreProps = pkg.getCoreProperties();

metadata.setTitle(coreProps.getTitle());

metadata.setAuthor(coreProps.getCreator());

metadata.setSubject(coreProps.getSubject());

metadata.setKeywords(coreProps.getKeywords());

metadata.setDescription(coreProps.getDescription());

metadata.setCategory(coreProps.getCategory());

// 创建和修改时间

metadata.setCreated(coreProps.getCreated());

metadata.setModified(coreProps.getModified());

metadata.setLastModifiedBy(coreProps.getLastModifiedBy());

// 提取扩展属性

ExtendedProperties extProps = pkg.getExtendedProperties();

metadata.setApplicationName(extProps.getApplicationName());

metadata.setApplicationVersion(extProps.getApplicationVersion());

metadata.setCompany(extProps.getCompany());

metadata.setManager(extProps.getManager());

// 提取自定义属性

CustomProperties customProps = pkg.getCustomProperties();

Map<String, Object> custom = new HashMap<>();

for (String name : customProps.getCustomProperties().keySet()) {

custom.put(name, customProps.getCustomProperties().get(name).getValue());

}

metadata.setCustomProperties(custom);

}

return metadata;

}

}

`

运行结果

`

=== 文档元数据 ===

标题: 软件开发服务合同

作者: 张三

主题: IT服务

关键词: 软件开发,技术服务,合同

描述: 本合同规定了软件开发服务的具体内容

类别: 商务合同

创建时间: 2024-01-10T09:30:00Z

修改时间: 2024-01-15T14:20:00Z

最后修改者: 李四

应用程序: Microsoft Office Word

应用程序版本: 16.0

公司: 北京科技有限公司

经理: 王五

自定义属性:

合同编号: HT-2024-001

审核状态: 已审核

密级: 内部

`

Excel元数据提取

```java

/**

* 提取Excel文档元数据

*/

public ExcelMetadata extractExcelMetadata(String filePath) throws Exception {

ExcelMetadata metadata = new ExcelMetadata();

try (FileInputStream fis = new FileInputStream(filePath);

OPCPackage pkg = OPCPackage.open(fis)) {

CoreProperties coreProps = pkg.getCoreProperties();

metadata.setTitle(coreProps.getTitle());

metadata.setAuthor(coreProps.getCreator());

metadata.setCreated(coreProps.getCreated());

// Excel特有属性

ExtendedProperties extProps = pkg.getExtendedProperties();

metadata.setSheetCount(

extProps.getProperties().getProperty("SheetCount")

);

metadata.setDocumentSecurity(

extProps.getProperties().getProperty("DocumentSecurity")

);

}

return metadata;

}

`

实际代码示例

Word解析工具类完整实现

```java

package com.example.docparser;

import org.apache.poi.xwpf.usermodel.*;

import org.apache.poi.openxml4j.opc.OPCPackage;

import org.apache.poi.openxml4j.opc.CoreProperties;

import java.io.*;

import java.util.*;

public class WordDocumentParser {

private String filePath;

private XWPFDocument document;

public WordDocumentParser(String filePath) throws IOException {

this.filePath = filePath;

this.document = new XWPFDocument(OPCPackage.open(filePath));

}

/**

* 解析文档标题

*/

public String extractTitle() {

// 尝试从文档属性获取标题

try {

OPCPackage pkg = OPCPackage.open(filePath);

CoreProperties props = pkg.getCoreProperties();

String title = props.getTitle();

pkg.close();

if (title != null && !title.isEmpty()) {

return title;

}

} catch (Exception e) {

// 忽略，使用备选方案

}

// 备选：从第一个标题段落获取

for (XWPFParagraph p : document.getParagraphs()) {

String style = p.getStyle();

if (style != null && style.toLowerCase().contains("heading")) {

return p.getText();

}

}

// 备选：返回第一段

if (!document.getParagraphs().isEmpty()) {

return document.getParagraphs().get(0).getText();

}

return "未找到标题";

}

/**

* 提取所有段落

*/

public List<ParagraphResult> extractAllParagraphs() {

List<ParagraphResult> results = new ArrayList<>();

for (XWPFParagraph p : document.getParagraphs()) {

ParagraphResult r = new ParagraphResult();

r.setText(p.getText());

r.setStyleId(p.getStyleID());

r.setStyleName(p.getStyleName());

// 提取文本格式

List<FormatInfo> formats = new ArrayList<>();

for (XWPFRun run : p.getRuns()) {

FormatInfo fi = new FormatInfo();

fi.setText(run.text());

fi.setBold(run.isBold());

fi.setItalic(run.isItalic());

fi.setUnderline(run.getUnderline().getValue());

fi.setFontSize(run.getFontSize());

fi.setFontFamily(run.getFontFamily());

formats.add(fi);

}

r.setFormats(formats);

results.add(r);

}

return results;

}

/**

* 提取所有表格

*/

public List<TableResult> extractAllTables() {

List<TableResult> tables = new ArrayList<>();

for (XWPFTable table : document.getTables()) {

TableResult tr = new TableResult();

tr.setRowCount(table.getRows().size());

List<List<String>> rows = new ArrayList<>();

for (XWPFTableRow row : table.getRows()) {

List<String> cells = new ArrayList<>();

for (XWPFTableCell cell : row.getCells()) {

cells.add(cell.getText());

}

rows.add(cells);

}

tr.setRows(rows);

tables.add(tr);

}

return tables;

}

/**

* 提取文档统计信息

*/

public DocumentStats getStatistics() {

DocumentStats stats = new DocumentStats();

stats.setParagraphCount(document.getParagraphs().size());

stats.setTableCount(document.getTables().size());

int charCount = 0;

for (XWPFParagraph p : document.getParagraphs()) {

charCount += p.getText().length();

}

stats.setCharacterCount(charCount);

return stats;

}

public void close() throws IOException {

if (document != null) {

document.close();

}

}

}

`

Excel数据读取器完整实现

```java

package com.example.docparser;

import org.apache.poi.ss.usermodel.*;

import org.apache.poi.xssf.usermodel.*;

import org.apache.poi.hssf.usermodel.*;

import java.io.*;

import java.util.*;

public class ExcelDataReader {

/**

* 智能读取Excel，支持.xls和.xlsx格式

*/

public ExcelData readExcel(String filePath) throws IOException {

Workbook workbook = createWorkbook(filePath);

ExcelData data = new ExcelData();

try {

data.setSheetCount(workbook.getNumberOfSheets());

for (int i = 0; i < workbook.getNumberOfSheets(); i++) {

Sheet sheet = workbook.getSheetAt(i);

SheetData sheetData = readSheet(sheet);

data.addSheet(sheet.getSheetName(), sheetData);

}

} finally {

workbook.close();

}

return data;

}

private Workbook createWorkbook(String filePath) throws IOException {

if (filePath.endsWith(".xlsx")) {

return new XSSFWorkbook(filePath);

} else if (filePath.endsWith(".xls")) {

return new HSSFWorkbook(new FileInputStream(filePath));

} else {

throw new IllegalArgumentException("不支持的文件格式: " + filePath);

}

}

private SheetData readSheet(Sheet sheet) {

SheetData sheetData = new SheetData();

sheetData.setName(sheet.getSheetName());

// 找到实际数据范围

int firstRow = sheet.getFirstRowNum();

int lastRow = sheet.getLastRowNum();

List<RowData> rows = new ArrayList<>();

for (int i = firstRow; i <= lastRow; i++) {

Row row = sheet.getRow(i);

if (row != null) {

rows.add(readRow(row, i));

}

}

sheetData.setRows(rows);

return sheetData;

}

private RowData readRow(Row row, int rowIndex) {

RowData rowData = new RowData();

rowData.setRowNum(rowIndex);

List<CellData> cells = new ArrayList<>();

short firstCell = row.getFirstCellNum();

short lastCell = row.getLastCellNum();

for (short i = firstCell; i <= lastCell; i++) {

Cell cell = row.getCell(i);

cells.add(readCell(cell, i));

}

rowData.setCells(cells);

return rowData;

}

private CellData readCell(Cell cell, int columnIndex) {

CellData cellData = new CellData();

cellData.setColumnIndex(columnIndex);

if (cell == null) {

cellData.setValue("");

cellData.setCellType("NULL");

return cellData;

}

CellType cellType = cell.getCellType();

cellData.setCellType(cellType.name());

switch (cellType) {

case STRING:

cellData.setValue(cell.getStringCellValue());

break;

case NUMERIC:

if (DateUtil.isCellDateFormatted(cell)) {

cellData.setValue(cell.getDateCellValue().toString());

cellData.setCellType("DATE");

} else {

cellData.setValue(String.valueOf(cell.getNumericCellValue()));

}

break;

case BOOLEAN:

cellData.setValue(String.valueOf(cell.getBooleanCellValue()));

break;

case FORMULA:

cellData.setValue(cell.getCellFormula());

try {

cellData.setFormulaResult(

String.valueOf(cell.getNumericCellValue())

);

} catch (Exception e) {

cellData.setFormulaResult("N/A");

}

break;

case BLANK:

cellData.setValue("");

break;

default:

cellData.setValue("");

}

return cellData;

}

}

`

运行结果分析

Word文档解析运行结果

`

=== Word文档解析测试 ===

文件: sample_contract.docx

1. 文档基本信息

标题: 软件开发服务合同

段落数: 45

表格数: 3

字符数: 12,580

2. 段落提取结果

段落[0] (Heading1): 软件开发服务合同

段落[1] (Normal): 合同编号: HT-2024-001

段落[2] (Normal): 甲方: 北京科技有限公司

段落[3] (Normal): 乙方: 上海贸易有限公司

3. 表格提取结果

表格[0]: 付款计划表 (4行 x 5列)

表格[1]: 履约里程碑表 (8行 x 4列)

表格[2]: 违约责任表 (3行 x 4列)

4. 元数据

作者: 张三

创建时间: 2024-01-10

修改时间: 2024-01-15

`

Excel数据提取运行结果

`

=== Excel数据提取测试 ===

文件: contract_data.xlsx

1. 工作表列表

[0] 合同信息

[1] 付款计划

[2] 履约记录

2. 合同信息表数据

行 0: [合同编号, 甲方, 乙方, 金额, 签订日期]

行 1: [HT-2024-001, 北京科技, 上海贸易, 500000.00, 2024-01-15]

行 2: [HT-2024-002, 深圳科技, 广州贸易, 350000.00, 2024-02-01]

3. 付款计划表数据

行 0: [期次, 应付日期, 应付金额, 付款方式]

行 1: [第一期, 2024-03-01, 150000.00, 银行转账]

行 2: [第二期, 2024-06-01, 150000.00, 银行转账]

行 3: [第三期, 2024-09-01, 200000.00, 银行转账]

4. JSON输出

{

"sheetCount": 3,

"sheets": [

{"name": "合同信息", "rowCount": 25, "data": [...]},

{"name": "付款计划", "rowCount": 12, "data": [...]},

{"name": "履约记录", "rowCount": 8, "data": [...]}

]

}

`

作者：洛水石 | 文档智能解析审核