如何使用Java將word解析出來(包含格式和圖片)
更新時間：2023年12月23日 10:35:18 作者：未婚男子王某
今天遇到一個讀取word模板內容的需求,下面這篇文章主要給大家介紹了關于如何使用Java將word解析出來,包含格式和圖片,文中通過代碼介紹的非常詳細,需要的朋友可以參考下
1、需求：
a. 將word中的內容按照層級結構解析出來
b. 不區(qū)分文件的后綴
c. 包含word的樣式
2、思路：
總體思路分為存和取，存的是文檔的標題和內容、圖片等；取的是文檔的樹形結構。
(1). 存：將word中的標題、內容、圖片獲取出來并進行存儲
a. 上傳文檔時，獲取到文檔的名稱，存儲到數(shù)據(jù)庫表中，產生一個id，即documentId
b. 解析word之后，按照順序遍歷獲取每一個標題進行存儲，父標題和子標題之間使用parentId進行關聯(lián)，即子標題中字段parentId是父標題的id
c. 在所有的標題中都添加一個documentId方便后期范圍查詢
d. 根節(jié)點即一級標題的父id為0
e. 查到的內容如果是p標簽，則與自己的上一級進行關聯(lián)，即p標簽的父id為它的上一級標簽id
f. 關聯(lián)完成之后，生成一個樹形結構，并遍歷存儲到第三方平臺的數(shù)據(jù)庫中。
(2). ?。焊鶕?jù)documentId查詢該文檔的樹形結構并返回
a. 根據(jù)documentId查詢該文檔的所有標題并存儲到集合中去
b. 對集合進行遍歷，為了充分使用遞歸，規(guī)定最頂層的標題的父節(jié)點為0，從父節(jié)點為0的元素開始遞歸，并將產生的結果生成樹形結構并返回。
3、注意：
(1). 因為自己做的主要是在第三方平臺上的操作，所以類似于DmeTestRequestUtil.getDmeResult() 這樣的方法主要是跟第三方平臺的交互，出于安全性考慮就不放出來了。
(2). 包含word的樣式：要思考的時怎么才能夠獲得word的樣式，即獲得html文件
(3). 在解析的過程中樣式是以行內式還是其他的效果呈現(xiàn)：可以轉換為行內式
(4). 為什么不用poi：使用poi最惡心的是要考慮word的版本問題
(5). 使用的依賴主要是什么：aspose、jsoup
(6). 層級結構解析主要是判斷h、p的順序關系
4、代碼：
(1). 依賴
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.2</version>
</dependency>
<dependency>
<groupId>com.aspose</groupId>
<artifactId>aspose-words</artifactId>
<version>15.8.0</version>
</dependency>(2). 解析word并保存到第三方接口中代碼邏輯
/**
* 解析word
* @param multipartFile 前端接收的文件，根據(jù)自己的需求也可以將MultipartFile轉換為File
* @return TitleTreeVO 存放標題的實體
* @author WangKuo
* @date 2023/7/27 11:01
*/
public TitleTreeVO wordAnalysis(MultipartFile multipartFile) throws IOException {
byte[] byteArr = multipartFile.getBytes();
InputStream inputStream = new ByteArrayInputStream(byteArr);
List<DocumentContentVO> documentContentVOList = new LinkedList<>();
TitleTreeVO titleTreeVO = new TitleTreeVO();
try {
// 把流轉化為Document
com.aspose.words.Document doc = new com.aspose.words.Document(inputStream);
// 設置轉化的格式，HtmlSaveOptions轉換為HTML格式
HtmlSaveOptions saveOptions = new HtmlSaveOptions();
saveOptions.setExportImagesAsBase64(false);
// 將所有word中的圖片放在臨時文件夾中，并將html中的鏈接替換為臨時文件夾中絕對路徑
String property = System.getProperty("java.io.tmpdir");
saveOptions.setImagesFolder(property);
org.apache.commons.io.output.ByteArrayOutputStream baos = new ByteArrayOutputStream();
doc.save(baos, saveOptions);
String token = DmeTestRequestUtil.getToken();
// 將html文件轉化為Document，方便后續(xù)使用jsoup的操作
org.jsoup.nodes.Document htmlDoc = Jsoup.parse(baos.toString());
// 設置html里面的圖片src路徑
this.setImagePath(htmlDoc, token);
// 存儲word文檔的名稱
String substring = multipartFile.getOriginalFilename().substring(0, multipartFile.getOriginalFilename().lastIndexOf("."));
JSONObject docParam = this.getDocParam(substring);
String saveDocUrl = "https://dme.cn-south-4.huaweicloud.com/rdm_hwdmeverify_app/publicservices/api/DocumentSave/create";
// 首先根據(jù)文檔名稱生成一條document的數(shù)據(jù)，產生的id將在標題實體中進行關聯(lián)
String dmeResult = DmeTestRequestUtil.getDmeResult(saveDocUrl, docParam, token);
JSONObject jsonObject1 = JSONObject.parseObject(dmeResult);
List data1 = jsonObject1.getObject("data", List.class);
JSONObject jsonObjectData1 = (JSONObject) data1.get(0);
String id = jsonObjectData1.getString("id");//文檔id
// 存儲文檔的第一個標題的返回結果，其中包含該節(jié)點的id和title
documentContentVOList = this.exactContentFromHtml(htmlDoc);
this.dmeSave(documentContentVOList, id, "0", token);//第一個標題的父ID默認為0
} catch (Exception e) {
e.printStackTrace();
} finally {
inputStream.close();
}
return titleTreeVO;
}
/**
* 在解析為html文件的時候需要將圖片的地址進行一個替換，由最初的臨時文件地址替換為圖片在服務器上的位置
* 設置圖片的路徑（src）
* @param document 轉換為HTML的文檔內容
* @return void
* @author Wangkuo
* @date 2023/7/25 21:40
*/
private void setImagePath(Document document) throws IOException {
Elements imgs = document.select("img");
String token = DmeTestRequestUtil.getToken();
for (Element img : imgs) {
// 獲取出html中src內的地址值
String src = img.attr("src");
// 通過地址查到對應的文件
File file = new File(src);
FileInputStream input = new FileInputStream(file);
// 將file轉化為MultipartFile
MultipartFile multipartFile =new MockMultipartFile("file", file.getName(), "text/plain", IOUtils.toByteArray(input));
// 該部分主要是第三方接口設置的必須傳的參數(shù)，在這里我就先設置為定值，因為這些不干擾我的需求結果
FormVo formVo = new FormVo();
formVo.setAttributeName("File");
formVo.setModelName("Document");
formVo.setApplicationId("-1");
String uploadImgUrl = "圖片作為文件，進行上傳";
String uploadImage = DmeTestRequestUtil.getDmeResultUploadFile(uploadImgUrl, multipartFile, formVo, token);
JSONObject uploadImgJs = JSONObject.parseObject(uploadImage);
List data = uploadImgJs.getObject("data", List.class);
// 上傳完成后，第三方接口會返回一個文件的id，我可以根據(jù)這個id進行文件的預覽和下載
String id = (String) data.get(0);
//上傳文件file 并返回上傳的路徑；將路徑拼接出來，并替換到html的document中
String imgPath = "/api/dme-library/LibraryFolder/preview?fileId="+id;
img.attr("src",imgPath);
input.close();
// 刪除臨時文件夾中存儲的文件
file.deleteOnExit();
}
}
/**
* 該部分主要是第三方接口在調用時規(guī)定該接口的參數(shù)格式
* 拼接參數(shù)
* @param name
* @return com.alibaba.fastjson.JSONObject
* @author Wangkuo
* @date 2023/7/27 11:23
*/
private JSONObject getDocParam(String name) {
Map<String, Object> mapStr = new HashMap<>();
Map<String, Object> paramMap = new HashMap<>();
paramMap.put("name", name);
mapStr.put("params", paramMap);
JSONObject jsonObject = new JSONObject(mapStr);
return jsonObject;
}
/**
* 處理樹形結構
* @param htmlDoc
* @return java.util.List<DocumentContentVO>
* @author Wangkuo
* @date 2023/7/27 11:26
*/
private List<DocumentContentVO> exactContentFromHtml(Document htmlDoc) throws Exception {
Elements eleList = htmlDoc.getElementsByTag("h1");
if (eleList == null || eleList.size() == 0) {
throw new Exception("上傳的文件中不存在一級標題，請檢查！");
}
Element hElement = htmlDoc.selectFirst("h1");//從第一個標題1 開始往下找
//Elements pElement = htmlDoc.select("h1");
List<DocumentContentVO> allTreeList = new ArrayList<>();
List<DocumentContentVO> list2 = new ArrayList<>();
List<DocumentContentVO> list3 = new ArrayList<>();
List<DocumentContentVO> list4 = new ArrayList<>();
DocumentContentVO b1Map = new DocumentContentVO();
DocumentContentVO b2Map = new DocumentContentVO();
DocumentContentVO b3Map = new DocumentContentVO();
DocumentContentVO b4Map = new DocumentContentVO();
DocumentContentVO bMap = b1Map;//記錄當前map
//先將第一個標題 放入
int i = 1;
b1Map.setTitle(hElement.toString());
b1Map.setIndex(i);
allTreeList.add(b1Map);
while (hElement.nextElementSibling() != null) { //如果存在下一個標題
i++;
hElement = hElement.nextElementSibling();
String nodeName = hElement.nodeName();
String s = hElement.tagName();
//System.out.println(s);
if (Objects.equals(nodeName, "h1")) {
b1Map = new DocumentContentVO();
bMap = b1Map;
b1Map.setTitle(hElement.toString());
b1Map.setIndex(i);
allTreeList.add(b1Map);
list2 = new ArrayList<>();
} else if (Objects.equals(nodeName, "h2")) {
b2Map = new DocumentContentVO();
bMap = b2Map;
list3 = new ArrayList<>();
b2Map.setTitle(hElement.toString());
b2Map.setIndex(i);
list2.add(b2Map);
b1Map.setChildList(list2);
} else if (Objects.equals(nodeName, "h3")) {
b3Map = new DocumentContentVO();
bMap = b3Map;
b3Map.setTitle(hElement.toString());
b3Map.setIndex(i);
list3.add(b3Map);
b2Map.setChildList(list3);
} else if (Objects.equals(nodeName, "h4")) {
b4Map = new DocumentContentVO();
bMap = b4Map;
b4Map.setTitle(hElement.toString());
b4Map.setIndex(i);
list4.add(b4Map);
b3Map.setChildList(list4);
} else {
bMap.setContent(bMap.getContent() == null ? hElement.toString() : bMap.getContent() + hElement.toString());
}
}
return allTreeList;
}
/**
* 傳入html解析的樹 和對應文檔id 通過遞歸實現(xiàn)保存
*
* @param treeList
* @param id
* @param parentId
* @return java.lang.String
* @author Wangkuo
* @date 2023/7/25 16:48
*/
private String dmeSave(List<DocumentContentVO> treeList, String id, String parentId,String token) {
String dmeResult = null;
for (DocumentContentVO documentContentVO : treeList) {
if (documentContentVO != null) {
String title = documentContentVO.getTitle();
int sort = documentContentVO.getIndex();
String content = documentContentVO.getContent();
String url = "創(chuàng)建對應數(shù)據(jù)的第三方url";
JSONObject jsonObjectParam = this.paramJoint1(title, id, parentId, sort, content);
dmeResult = DmeTestRequestUtil.getDmeResult(url, jsonObjectParam, token);
List data = JSONObject.parseObject(dmeResult).getObject("data", List.class);
if (data != null && !data.isEmpty()) {
JSONObject jsonObject = (JSONObject) data.get(0);
String parentIdNext = jsonObject.getString("id");
if (documentContentVO.getChildList() != null && documentContentVO.getChildList().size() > 0) {
dmeSave(documentContentVO.getChildList(), id, parentIdNext,token);
}
}
}
}
return dmeResult;
}
/**
* 同理，第三方接口規(guī)定的參數(shù)樣式，需要進行拼接
* @param title
* @param id
* @param parentId
* @param sort
* @param content
* @return com.alibaba.fastjson.JSONObject
* @author Wangkuo
* @date 2023/7/27 11:30
*/
private JSONObject paramJoint1(String title, String id, String parentId, int sort, String content) {
Map<String, Object> mapStr = new HashMap<>();
Map<String, Object> paramsMap = new HashMap<>();
if (id != null) {
paramsMap.put("title", title);
paramsMap.put("sort", sort);
paramsMap.put("parentId", parentId);
paramsMap.put("content", content);
paramsMap.put("documentId", id);
} else {
paramsMap.put("title", title);
}
mapStr.put("params", paramsMap);
return JSONObject.parseObject(JSON.toJSONString(mapStr));
}(3). 根據(jù)documentId查詢取該篇文檔的標題內容樹形結構
/**
* 根據(jù)documentId查詢對應的word文檔的樹形結構
* @param reqJSON {"id":"525663360008593408"}
* @return java.util.List<TitleTreeVO>
* @author Wangkuo
* @date 2023/7/27 11:32
*/
public List<TitleTreeVO> getTreeCon(JSONObject reqJSON) {
String id = reqJSON.getString("id");
List<TitleTreeVO> allTitleByDocId = this.getAllTitleByDocId(id);
TitleTreeVO titleTreeVO = new TitleTreeVO();
titleTreeVO.setId("0");
this.getChild(titleTreeVO,allTitleByDocId);
return titleTreeVO.getChildList();
}
/**
* 根據(jù)文檔id獲取到該文檔的所有標題（此時獲取的集合沒有父子級關系）
* @param docId
* @return java.util.List<TitleTreeVO>
* @author Wangkuo
* @date 2023/7/27 11:34
*/
private List<TitleTreeVO> getAllTitleByDocId(String docId) {
String url = "第三方標題表的查詢";
// 參數(shù)拼接
JSONObject docIdParam = getDocIdParam(docId);
String token = DmeTestRequestUtil.getToken();
String dmeResult = DmeTestRequestUtil.getDmeResult(url, docIdParam, token);
JSONObject jsonObject = JSONObject.parseObject(dmeResult);
List data = jsonObject.getObject("data", List.class);
List<TitleTreeVO> titleList = new ArrayList<>();
if (data != null && !data.isEmpty()) {
for (Object title : data) {
JSONObject titleJson = (JSONObject)title;
TitleTreeVO titleTreeVO = new TitleTreeVO();
titleTreeVO.setContent(titleJson.getString("content"));
titleTreeVO.setTitle(titleJson.getString("title"));
titleTreeVO.setId(titleJson.getString("id"));
titleTreeVO.setIndex(Integer.parseInt(titleJson.getString("sort")));
titleTreeVO.setDocumentId(titleJson.getString("documentId"));
titleTreeVO.setParentId(titleJson.getString("parentId"));
titleList.add(titleTreeVO);
}
}
return titleList;
}
/**
* 通過遞歸獲取到各級的子標題和內容
* @param parentTitleTreeVO
* @param titleListOld
* @return TitleTreeVO
* @author Wangkuo
* @date 2023/7/27 11:42
*/
private TitleTreeVO getChild(TitleTreeVO parentTitleTreeVO,List<TitleTreeVO> titleListOld) {
List<TitleTreeVO> titleList = new ArrayList<>();
if (titleListOld != null && titleListOld.size()>0) {
List<TitleTreeVO> titleCollect = titleListOld.stream().filter(e -> e.getParentId().equals(parentTitleTreeVO.getId())).collect(Collectors.toList());
if(titleCollect.size()>0){
for (TitleTreeVO title : titleCollect) {
TitleTreeVO titleTreeVO = new TitleTreeVO();
titleTreeVO.setIndex(title.getIndex());
titleTreeVO.setTitle(title.getTitle());
titleTreeVO.setId(title.getId());
titleTreeVO.setContent(title.getContent());
titleTreeVO.setDocumentId(title.getDocumentId());
titleTreeVO.setParentId(title.getParentId());
titleList.add(titleTreeVO);
this.getChild(titleTreeVO,titleListOld);
}
}
}
List<TitleTreeVO> titleSortList = titleList.stream().sorted(Comparator.comparing(TitleTreeVO::getIndex)).collect(Collectors.toList());
parentTitleTreeVO.setChildList(titleSortList);
return parentTitleTreeVO;
}總結
到此這篇關于如何使用Java將word解析出來的文章就介紹到這了,更多相關Java解析word內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
spring hibernate實現(xiàn)動態(tài)替換表名(分表)的方法
下面小編就為大家?guī)硪黄猻pring hibernate實現(xiàn)動態(tài)替換表名(分表)的方法。小編覺得挺不錯的，現(xiàn)在就分享給大家，也給大家做個參考。一起跟隨小編過來看看吧2017-08-08
Jenkins+maven持續(xù)集成的實現(xiàn)
這篇文章主要介紹了Jenkins+maven持續(xù)集成的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2021-04-04
這篇文章主要為大家介紹了httpclient evict操作源碼解讀,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪2023-10-10
Mybatis使用useGeneratedKeys獲取自增主鍵的方法
這篇文章主要給大家介紹了關于Mybatis使用useGeneratedKeys獲取自增主鍵的相關資料，文中通過示例代碼介紹的非常詳細，對大家學習或者使用Mybatis具有一定的參考學習價值，需要的朋友們下面來一起學習學習吧2019-09-09
Springboot基于assembly的服務化打包方案及spring boot部署方式
這篇文章主要介紹了Springboot基于assembly的服務化打包方案及springboot項目的幾種常見的部署方式,本文主要針對第二種部署方式提供一種更加友好的打包方案，需要的朋友可以參考下2017-12-12
java線程之Happens before規(guī)則案例詳解
這篇文章主要為大家介紹了java線程之Happens-before規(guī)則，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪<BR>2022-08-08
這篇文章主要給大家介紹了關于Java字符串相關類操作的相關資料,文中還特別介紹了字符串的定義、構造方法、內存原理、比較方法和常見方法,同時還介紹了StringBuilder和StringJoiner類,需要的朋友可以參考下2024-12-12
這篇文章主要介紹了生產者消費者模型ThreadLocal原理及實例詳解,文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下2020-09-09
SpringBoot集成Redisson操作Redis的實現(xiàn)方法
Redisson是一個用于Java的Redis客戶端,它提供了在分布式環(huán)境下操作Redis數(shù)據(jù)庫的簡單、高效的方式,本文主要介紹了SpringBoot集成Redisson操作Redis的實現(xiàn)方法,具有一定的參考價值,感興趣的可以了解一下2024-03-03
解決kafka:org.apache.kafka.common.errors.TimeoutException問題
這篇文章主要介紹了解決kafka:org.apache.kafka.common.errors.TimeoutException問題,具有很好的參考價值,希望對大家有所幫助,如有錯誤或未考慮完全的地方,望不吝賜教2024-01-01