最近需求是寫一個將docx和doc解析后轉換為json格式輸入到json臨時文件中的功能，然后前端讀取json文件去渲染做到和文檔內容一致，在這里歸納下難點，以及國內網站基本沒有相關demo的點。

先說下docx和doc的區別吧，區別實際上就是一個好用而另一個反人類，現在創建一個新的文檔，office都不會給你選擇，直接默認docx，除非你另存為doc或者直接修改后綴，這樣的原因是doc這種二進制存儲的玩意過于反人類：
docx文件修改后綴為zip后解壓，你可以在這個文件夾里面看到所有文檔內容信息，樣式，圖片之類的，doc的話相同操作你啥都看不到。這樣就導致你使用poi解析docx和doc的難易程度完全差得十萬八千里。

另外poi用來解析doc的hwpf包也寫的很亂，對比poi用來解析docx的xwpf包來說，xwpf包看底層會有方法說明，而且命名方式可以讓你就算沒有方法說明，大致也很容易看得懂這個方法用來干什么的，但是hwpf包就不一樣，一堆枚舉，方法也很凌亂，阿帕奇官網對于方法的說明幾乎沒有，再加上國內使用poi的本來就少，大多直接用阿里的poi-tl之類的，而且用poi解析文檔的更是少之又少，大多資料都是解析excel的，少之又少里面大多又是解析docx的，doc的又是又是少之又少。希望自己接下來的一些補充能夠在國內論壇里貢獻一點資料吧（雖然很冷門，但是希望以后有和我做一樣事情的程序員能少走點彎路）

最后因為我應屆入職不久，代碼可能比較稚嫩，希望能給你帶來幫助，輕噴。

docx，doc的解析難點

首先我覺得比較偏門資料比較少的有五個：

一個是解析公式，我所做的需求是將公式轉換為latex字符串儲存，就是比如將下圖這種轉換為一個字符串：
x=\frac{-b\pm \sqrt{{b}^{2}-4ac}}{2a}

二是遍歷docx文檔。單獨解析不同的模塊，如解析出文檔里所有的圖片，解析文檔中所有表格，解析文檔中的所有的文本，這很簡單，docx這些方法csdn或者博客園都能找到。但是，這些解析出來的數據結構是沒有定位的，你不知道圖片與段落之間的關系，表格與段落之間的關系，題注與圖片的位置關系。所以你必須要從頭到尾去遍歷，才能夠知道這些之間的位置關系。

三是遍歷doc文檔，相信我，這個比docx的遍歷冷門的多，自己不斷嘗試的方法摸索出來的，可能還沒達到普遍性，但是基本能泛用。

四是將docx和doc文檔中的復雜表格轉換為html字符串，這個也很冷門，網上資料大多是整個文檔全轉為html，或者是讀取簡單地，方方正正，n*m的表格，沒有單獨處理復雜表格轉換為html的的。
主要思路是解析后通過自己寫的方法拼接為html，docx的表格轉html字符串是在網上找的，poi解析docx用的xwpf包里面對于表格有專門的類讀取它的信息，能夠得到很完善的表格信息，所以拼接簡單，poi解析doc所用的hwpf包解析doc中的表格，沒有這些東西，所以很難讀取解析復雜表格后拼接為html。這個后面會單獨說。

五是編號列表，docx的編號列表網上能找到，但是也很冷門那種，太難找了，而doc的網上根本就沒有，方法是靠自己看hwpf底層加上不斷測試以及閱讀office官網給的一些doc文檔信息寫出來的。

這里要說一下：docx文檔和doc文檔實際上是沒有存儲編號的文本的。

查了下相關資料，說列表段落的編號文本不是硬編碼，所以你去文檔底層里面是找不到具體的文本內容。xwpf讀取docx中列表段落的編號的文本內容是在csdn上找到的，而doc是自己摸索加上office官方給的文檔結合推導出來的方法，但是方式都是大同小異，都不是通過poi直接讀出來的，而是通過poi獲取相關信息，然后在方法里面匹配后進行拼接，從而獲取對應的列表段落的編號文本內容，類似于下列圖中所示的編號內容：如1. 1） a) 等。

這些都是比較冷門的讀取，至少我在做的時候很多都找不到，stack over flow上去詢問也很多都沒解決，有的是靠自己測試得出的結果。

有時間會將代碼上傳github并且分享相關jar包，jar包的功能是給要解析的docx文件路徑或doc文件路徑，以及輸出臨時文件位置（本來是只要給文件路徑，自動生成一個temp文件夾在jar包相同的目錄下，然后在temp文件夾下生成相應的解析后的json臨時文件，但是老大不讓這么做），生成的json文件是順序從頭到尾的，前端解析后渲染就可以復原這個文檔內容，文本樣式什么都有。

總結

以上是生活随笔為你收集整理的POI解析docx与doc文档中的难点归纳的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。