Java开发中读取与解析Word文档的实践教学

做 Ja va 开发的，迟早会遇到需要解析 Word 文档的情况。比如搭建文档管理系统时要提取上传文件的内容，或者做数据迁移时批量处理存量文档——这类需求看起来不难，但真踩到坑里，还是挺头疼的。这篇文章就来聊聊从零上手，怎么把 Word 文档的内容读取干净，涵盖全文提取、段落解析、表格读取和图片导出，希望能给遇到类似需求的同学一些实实在在的参考。

一、依赖引入

写代码之前，先把依赖配置好。以 Ma ven 项目为例，在 pom.xml 里加上这个库就行：

    
        com.e-iceblue
        https://repo.e-iceblue.cn/repository/ma ven-public/
    


    
        e-iceblue
        spire.doc
        14.5.3
    

依赖搞定之后，接下来就可以正经写读取逻辑了。

二、提取文档的全部文本

如果需求特别简单，比如只想把文档文字提取出来做全文检索或者关键词分析，一次性读取所有文本无疑是最省事的办法。

import com.spire.doc.Document;

public class ReadAllText {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        // 获取文档的完整文本内容
        String allText = doc.getText();
        System.out.println(allText);

        doc.close();
    }
}

调用 getText() 方法后，整篇文档的段落文字都会被拼接成一个字符串，连表格里的文字也不会落下。这种方式的优点是简洁——三五行代码就能搞定。但缺点同样明显：所有内容混在一起，标题、正文、表格内容都平铺开，原始文档的结构层次就丢失了。

三、按段落逐条读取

如果我们需要了解文档的结构层次，或者只关心特定样式下的内容，那还是老老实实逐段落读取比较靠谱。比如只提取所有一级标题，或者跳过页眉页脚只处理正文——这时候按段落遍历就派上用场了。

import com.spire.doc.Document;
import com.spire.doc.documents.Paragraph;

public class ReadParagraphs {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        // 遍历文档中的节
        for (int i = 0; i < doc.getSections().getCount(); i++) {
            // 遍历每个节中的段落
            for (int j = 0; j < doc.getSections().get(i).getParagraphs().getCount(); j++) {
                Paragraph paragraph = doc.getSections().get(i).getParagraphs().get(j);

                String text = paragraph.getText();
                String styleName = paragraph.getStyleName();

                System.out.println("样式: " + styleName);
                System.out.println("内容: " + text);
                System.out.println("---");
            }
        }
        doc.close();
    }
}

这里的关键在于 getStyleName() 方法——它会返回段落所使用的 Word 样式名称，比如 "Heading1"、"Heading2"、"Normal" 等等。拿到样式名之后，过滤出想要的段落类型就变得轻而易举了。除此之外，Paragraph 对象还能提供对齐方式、缩进值、行距这些格式信息，有更深层的需求时完全可以继续深挖。

四、读取表格中的结构化数据

表格在 Word 文档里往往承载着关键的结构化数据，比如项目排期表、人员信息表、价格清单之类。把这些数据准确读取并还原出来，是很多业务场景中的硬性需求。

import com.spire.doc.Document;
import com.spire.doc.Section;
import com.spire.doc.Table;
import com.spire.doc.TableRow;
import com.spire.doc.TableCell;

public class ReadTable {
    public static void main(String[] args) {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        // 遍历所有节
        for (int i = 0; i < doc.getSections().getCount(); i++) {
            Section section = doc.getSections().get(i);

            // 遍历当前节中的表格
            for (int j = 0; j < section.getTables().getCount(); j++) {
                Table table = section.getTables().get(j);
                System.out.println("表格 " + (j + 1) + ":");

                // 按行读取
                for (int k = 0; k < table.getRows().getCount(); k++) {
                    TableRow row = table.getRows().get(k);
                    // 按单元格读取
                    for (int l = 0; l < row.getCells().getCount(); l++) {
                        TableCell cell = row.getCells().get(l);
                        System.out.print(cell.getText() + "t");
                    }
                    System.out.println();
                }
                System.out.println("============");
            }
        }
        doc.close();
    }
}

代码逻辑很清晰——按节、表格、行、单元格的层级一层层往下遍历。读出来的数据可以很灵活地组装成二维数组或 List，方便后续写入数据库或者导出为 Excel。不过有一点值得提醒：如果文档里的表格存在合并单元格的情况，直接按行列索引读取时可能会遇到空值或者数据错位。实际项目中，最好加上对合并单元格的判断处理。

五、导出文档中的图片

除了文字和表格，图片也是 Word 文档中常见的内容类型。有时候我们需要把文档里的图片单独提取出来存储，比如迁移到图床或者丢进资源管理系统里。

import com.spire.doc.Document;
import com.spire.doc.fields.DocPicture;
import com.spire.doc.interfaces.IDocumentObject;

public class ExtractImages {
    public static void main(String[] args) throws Exception {
        Document doc = new Document();
        doc.loadFromFile("sample.docx");

        int imageIndex = 0;
        // 遍历文档中的子对象
        for (int i = 0; i < doc.getSections().getCount(); i++) {
            for (int j = 0; j < doc.getSections().get(i).getBody().getChildObjects().getCount(); j++) {
                IDocumentObject obj = doc.getSections().get(i).getBody().getChildObjects().get(j);

                // 判断是否为图片对象
                if (obj instanceof DocPicture) {
                    DocPicture picture = (DocPicture) obj;
                    // 保存为 PNG 文件
                    picture.getImage().sa ve("output/image_" + imageIndex + ".png", null);
                    imageIndex++;
                }
            }
        }
        System.out.println("共提取 " + imageIndex + " 张图片");
        doc.close();
    }
}

图片会按编号依次保存到输出目录。如果文档里图片比较多，建议命名时加入更具体的标识，避免同名文件覆盖。另外提醒一句：除了正文中的图片，页眉页脚和文本框里也可能藏着图片对象，要不要一并处理，看具体需求而定。

六、几点实用建议

在实际项目中使用这些方法时，有几个细节值得留意。首先是格式兼容性：.doc 和 .docx 两种格式可以用同一套 API 加载，不需要分别写两套逻辑，确实能省不少事。其次是资源释放：文档读取完毕后记得调用 close() 方法，否则文件可能被进程持续锁定，导致后续写入或删除操作失败。最后是大文件处理：如果文档体量较大，解析过程会消耗更多时间和内存，在并发场景下务必提前做好压测，必要时对大文件做异步处理或设置超时机制。

七、最后

这篇文章梳理了 Ja va 环境下读取 Word 文档内容的几种常见方式，从最直接的全文文本提取，到保留结构的段落遍历与样式识别，再到表格数据解析和图片资源导出，基本涵盖了日常开发中会遇到的主要场景。这些方法可以灵活搭配使用——比如在文档入库时同时提取纯文本做索引、解析表格做结构化存储、导出图片做独立资源管理。掌握了这些基础操作之后，再面对更复杂的文档处理需求，心里也会有底，实现起来自然会更加从容。