最近需求是写一个将docx和doc解析后转换为json格式输入到json临时文件中的功能，然后前端读取json文件去渲染做到和文档内容一致，在这里归纳下难点，以及国内网站基本没有相关demo的点。
首先先说下docx和doc的区别吧，区别实际上就是一个好用而另一个反人类，现在创建一个新的文档，office都不会给你选择，直接默认docx，除非你另存为doc或者直接修改后缀，这样的原因是doc这种二进制存储的玩意过于反人类：
docx文件修改后缀为zip后解压，你可以在这个文件夹里面看到所有文档内容信息，样式，图片之类的，doc的话相同操作你啥都看不到。这样就导致你使用poi解析docx和doc的难易程度完全差得十万八千里。
另外poi用来解析doc的hwpf包也写的很乱，对比poi用来解析docx的xwpf包来说，xwpf包看底层会有方法说明，而且命名方式可以让你就算没有方法说明，大致也很容易看得懂这个方法用来干什么的，但是hwpf包就不一样，一堆枚举，方法也很凌乱，阿帕奇官网对于方法的说明几乎没有，再加上国内使用poi的本来就少，大多直接用阿里的poi-tl之类的，而且用poi解析文档的更是少之又少，大多资料都是解析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。希望自己接下来的一些补充能够在国内论坛里贡献一点资料吧（虽然很冷门，但是希望以后有和我做一样事情的程序员能少走点弯路）
最后因为我应届入职不久，代码可能比较稚嫩，希望能给你带来帮助，轻喷。
首先说下docx，doc的解析难点吧。
首先我觉得比较偏门资料比较少的有五个：
一个是解析公式，我所做的需求是将公式转换为latex字符串储存，就是比如将下图这种转换为一个字符串：
x=\frac{-b\pm \sqrt{{b}^{2}-4ac}}{2a}
二是遍历docx文档。单独解析不同的模块，如解析出文档里所有的图片，解析文档中所有表格，解析文档中的所有的文本，这很简单，docx这些方法csdn或者博客园都能找到。但是，这些解析出来的数据结构是没有定位的，你不知道图片与段落之间的关系，表格与段落之间的关系，题注与图片的位置关系。所以你必须要从头到尾去遍历，才能够知道这些之间的位置关系。
三是遍历doc文档，相信我，这个比docx的遍历冷门的多，自己不断尝试的方法摸索出来的，可能还没达到普遍性，但是基本能泛用。
四是将docx和doc文档中的复杂表格转换为html字符串，这个也很冷门，网上资料大多是整个文档全转为html，或者是读取简单地，方方正正，n*m的表格，没有单独处理复杂表格转换为html的的。
主要思路是解析后通过自己写的方法拼接为html，docx的表格转html字符串是在网上找的，poi解析docx用的xwpf包里面对于表格有专门的类读取它的信息，能够得到很完善的表格信息，所以拼接简单，poi解析doc所用的hwpf包解析doc中的表格，没有这些东西，所以很难读取解析复杂表格后拼接为html。这个后面会单独说。
五是编号列表，docx的编号列表网上能找到，但是也很冷门那种，太难找了，而doc的网上根本就没有，方法是靠自己看hwpf底层加上不断测试以及阅读office官网给的一些doc文档信息写出来的。
这里要说一下：docx文档和doc文档实际上是没有存储编号的文本的。
查了下相关资料，说列表段落的编号文本不是硬编码，所以你去文档底层里面是找不到具体的文本内容。xwpf读取docx中列表段落的编号的文本内容是在csdn上找到的，而doc是自己摸索加上office官方给的文档结合推导出来的方法，但是方式都是大同小异，都不是通过poi直接读出来的，而是通过poi获取相关信息，然后在方法里面匹配后进行拼接，从而获取对应的列表段落的编号文本内容，类似于下列图中所示的编号内容：如1. 1） a) 等。
这些都是比较冷门的读取，至少我在做的时候很多都找不到，stack over flow上去询问也很多都没解决，有的是靠自己测试得出的结果。
有时间会将代码上传github并且分享相关jar包，jar包的功能是给要解析的docx文件路径或doc文件路径，以及输出临时文件位置（本来是只要给文件路径，自动生成一个temp文件夹在jar包相同的目录下，然后在temp文件夹下生成相应的解析后的json临时文件，但是老大不让这么做），生成的json文件是顺序从头到尾的，前端解析后渲染就可以复原这个文档内容，文本样式什么都有。
标签：docx,表格,doc,POI,文档,poi,解析 来源： https://blog.csdn.net/qq_43771530/article/details/121743567
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。