前言（背景介绍）：
apache poi是apache基金会下一个开源的项目,用来处理office系列的文档,能够创建和解析word、excel、ppt格式的文档。
其中对word文档的处理有两个技术，分别是hwpf（.doc）和xwpf（.docx）。如果你对这两个技术熟悉的话，就应该能明白使用java解析word文档的痛楚所在。
其中两个最大的问题在于：
第一是这两个类并没有统一的父类和接口（隔壁的xssf和hssf投过来鄙视的眼光）,所以没法进行同一格式的接口式编程；
第二是官方api中并没有文档中图片相对位置的接口，这就导致了虽然你能获得文档中的所有图片，但是你并不能知道这些图片是在哪里，将来要展示图片就没法插入到正确的位置。
对于第一点，我是没什么办法，可以研究下其他相关技术，比如jacob,doc4j等看看有没有其他的解决方案，不过doc4j这货貌似只能处理2007文档（.docx)。
对于第二点，本文将给出笔者的解决方案，实际上，这也是我写本文的目的所在。
注意：简单求快的同学看第二章和第三章就行了;
一、预备知识
1.word文档的两种格式对应两种不同的存储方式
众所周知,word文档有两种存储格式:doc和docx
doc:习惯上称为word2003,使用二进制储存数据;这个不是我们今天讨论的重点.
docx:word2007,使用xml来存储数据和格式.
可能你会问了，明明是docx结尾的文档，怎么成了xml格式了？
很简单:你随便选择一个docx文件，右键使用压缩工具打开，就能得到一个这样的目录结构：
所以你以为docx是一个完整的文档，其实它只是一个压缩文件。(docx:?_?)
2.word文档中xml的定义格式:
从前面我们知道了docx文档使用压缩文件也就是xml来描述数据,那么word文档中的数据具体是怎么定义的呢?
出于篇幅的关系,这里不会详细地描述整个压缩的文档,这里只简单介绍下两个文件/文件夹:
一是word目录下的documen.xml文件,这个就是整个文档内容的定义;
二是word目录下的media文件夹,看名字也能猜出来这个文件夹里面是文档中的多媒体内容:
图3:word/document.xml(定义文档内容)
图4:word/media文件夹下的内容
以下是document.xml文档的部分关键内容:
a:document整体结构定义：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
<w:document mc:ignorable="w14 w15 wp14" xmlns:m="http://schemas.openxmlformats.org/officedocument/2006/math" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officedocument/2006/relationships" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml" xmlns:w15="http://schemas.microsoft.com/office/word/2012/wordml" xmlns:wne="http://schemas.microsoft.com/office/word/2006/wordml" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingdrawing" xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingdrawing" xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingcanvas" xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessinggroup" xmlns:wpi="http://schemas.microsoft.com/office/word/2010/wordprocessingink" xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingshape" xmlns:wpscustomdata="http://www.wps.cn/officedocument/2013/wpscustomdata">
<w:body>
<w:p>
<w:ppr>
<w:pstyle w:val="2">
</w:pstyle>
<w:keepnext w:val="0">
</w:keepnext>
<w:keeplines w:val="0">
</w:keeplines>
<w:widowcontrol>
</w:widowcontrol>
<w:suppresslinenumbers w:val="0">
</w:suppresslinenumbers>
<w:pbdr>
<w:top w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:top>
<w:left w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:left>
<w:bottom w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:bottom>
<w:right w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:right>
</w:pbdr>
|
b:文档段落内容:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
|
<w:p>
<w:ppr>
<w:pstyle w:val="2">
</w:pstyle>
<w:keepnext w:val="0">
</w:keepnext>
<w:keeplines w:val="0">
</w:keeplines>
<w:widowcontrol>
</w:widowcontrol>
<w:suppresslinenumbers w:val="0">
</w:suppresslinenumbers>
<w:pbdr>
<w:top w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:top>
<w:left w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:left>
<w:bottom w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:bottom>
<w:right w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:right>
</w:pbdr>
<w:shd w:fill="fafafa" w:val="clear">
</w:shd>
<w:spacing w:after="150" w:afterautospacing="0" w:before="150" w:beforeautospacing="0" w:line="378" w:linerule="atleast">
</w:spacing>
<w:ind w:firstline="0" w:left="0" w:right="0">
</w:ind>
<w:rpr>
<w:rfonts w:ascii="verdana" w:cs="verdana" w:hansi="verdana" w:hint="default">
</w:rfonts>
<w:i w:val="0">
</w:i>
<w:caps w:val="0">
</w:caps>
<w:color w:val="404040">
</w:color>
<w:spacing w:val="0">
</w:spacing>
<w:sz w:val="21">
</w:sz>
<w:szcs w:val="21">
</w:szcs>
</w:rpr>
</w:ppr>
<w:r>
<w:rpr>
<w:rfonts w:ascii="verdana" w:cs="verdana" w:hansi="verdana" w:hint="default">
</w:rfonts>
<w:i w:val="0">
</w:i>
<w:caps w:val="0">
</w:caps>
<w:color w:val="404040">
</w:color>
<w:spacing w:val="0">
</w:spacing>
<w:sz w:val="21">
</w:sz>
<w:szcs w:val="21">
</w:szcs>
<w:bdr w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:bdr>
<w:shd w:fill="fafafa" w:val="clear">
</w:shd>
</w:rpr>
<w:t>
作者: brian dear
</w:t>
</w:r>
</w:p>
|
c:图片内容定义:
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
|
<w:r>
<w:rpr>
<w:rfonts w:ascii="verdana" w:cs="verdana" w:hansi="verdana" w:hint="default">
</w:rfonts>
<w:i w:val="0">
</w:i>
<w:caps w:val="0">
</w:caps>
<w:color w:val="404040">
</w:color>
<w:spacing w:val="0">
</w:spacing>
<w:sz w:val="21">
</w:sz>
<w:szcs w:val="21">
</w:szcs>
<w:bdr w:color="auto" w:space="0" w:sz="0" w:val="none">
</w:bdr>
<w:shd w:fill="fafafa" w:val="clear">
</w:shd>
</w:rpr>
<w:drawing>
<wp:inline distb="0" distl="114300" distr="114300" distt="0">
<wp:extent cx="5543550" cy="5543550">
</wp:extent>
<wp:effectextent b="0" l="0" r="0" t="0">
</wp:effectextent>
<wp:docpr descr="img_256" id="1" name="picture 1">
</wp:docpr>
<wp:cnvgraphicframepr>
<a:graphicframelocks nochangeaspect="1" xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main">
</a:graphicframelocks>
</wp:cnvgraphicframepr>
<a:graphic xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main">
<a:graphicdata uri="http://schemas.openxmlformats.org/drawingml/2006/picture">
<pic:pic xmlns:pic="http://schemas.openxmlformats.org/drawingml/2006/picture">
<pic:nvpicpr>
<pic:cnvpr descr="img_256" id="1" name="picture 1">
</pic:cnvpr>
<pic:cnvpicpr>
<a:piclocks nochangeaspect="1">
</a:piclocks>
</pic:cnvpicpr>
</pic:nvpicpr>
<pic:blipfill>
<a:blip r:embed="rid4">
</a:blip>
<a:stretch>
<a:fillrect>
</a:fillrect>
</a:stretch>
</pic:blipfill>
<pic:sppr>
<a:xfrm>
<a:off x="0" y="0">
</a:off>
<a:ext cx="5543550" cy="5543550">
</a:ext>
</a:xfrm>
<a:prstgeom prst="rect">
<a:avlst>
</a:avlst>
</a:prstgeom>
<a:nofill>
</a:nofill>
<a:ln w="9525">
<a:nofill>
</a:nofill>
</a:ln>
</pic:sppr>
</pic:pic>
</a:graphicdata>
</a:graphic>
</wp:inline>
</w:drawing>
</w:r>
|
有兴趣的童鞋可以看一下上面三段xml代码,我这里直接给结论了:
word文档shema文件:xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"
文档根节点:<w:document> 定义了整个文档的开始
<w:body>是document的子节点,文档的主体内容
<w:p>body子节点,一个段落,就是word文档中的段落
<w:r>p元素的子节点,一个run定义了段落中具有相同格式的一段内容
<w:t>run元素节点的子节点,就是文档的内容.
<w:drawing> run元素的子节点,定义了一张图片:
<w:inline> drawing子节点,具体应用也没有深入研究
<a:graphic> 定义图片内容
<pic:blipfill>这个是graphic文档的子节点,定义了图片内容的索引,具体来说,poi能根据这个名称拿到图片所对应的资源,而获取文档图片位置的关键也就在这里
总体看来:xwpf解析docx文档就是做了xml文档的解析,将所有的节点保存下来,然后转换成更加好用的属性,提供api出来供用户使用.
所以我们就能用poi提供给我们的接口拿到文档内容,自己去解析文档中的数据,就能获取到图片是在哪一个段落里了,当然你也可以得知图片是位于哪一个run元素的后面.
二、实现
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
|
package com.szdfhx.reportstatistic.util;
import com.microsoft.schemas.vml.ctshape;
import org.apache.poi.xwpf.usermodel.xwpfparagraph;
import org.apache.poi.xwpf.usermodel.xwpfpicturedata;
import org.apache.poi.xwpf.usermodel.xwpfrun;
import org.apache.xmlbeans.xmlcursor;
import org.apache.xmlbeans.xmlobject;
import org.openxmlformats.schemas.drawingml.x2006.main.ctgraphicalobject;
import org.openxmlformats.schemas.drawingml.x2006.picture.ctpicture;
import org.openxmlformats.schemas.drawingml.x2006.wordprocessingdrawing.ctinline;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.ctdrawing;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.ctobject;
import org.openxmlformats.schemas.wordprocessingml.x2006.main.ctr;
import java.util.arraylist;
import java.util.list;
import java.util.map;
public class xwpfutils {
//获取某一个段落中的所有图片索引
public static list<string> readimageinparagraph(xwpfparagraph paragraph) {
//图片索引list
list<string> imagebundlelist = new arraylist<string>();
//段落中所有xwpfrun
list<xwpfrun> runlist = paragraph.getruns();
for (xwpfrun run : runlist) {
//xwpfrun是poi对xml元素解析后生成的自己的属性，无法通过xml解析，需要先转化成ctr
ctr ctr = run.getctr();
//对子元素进行遍历
xmlcursor c = ctr.newcursor();
//这个就是拿到所有的子元素：
c.selectpath("./*");
while (c.tonextselection()) {
xmlobject o = c.getobject();
//如果子元素是<w:drawing>这样的形式，使用ctdrawing保存图片
if (o instanceof ctdrawing) {
ctdrawing drawing = (ctdrawing) o;
ctinline[] ctinlines = drawing.getinlinearray();
for (ctinline ctinline : ctinlines) {
ctgraphicalobject graphic = ctinline.getgraphic();
//
xmlcursor cursor = graphic.getgraphicdata().newcursor();
cursor.selectpath("./*");
while (cursor.tonextselection()) {
xmlobject xmlobject = cursor.getobject();
// 如果子元素是<pic:pic>这样的形式
if (xmlobject instanceof ctpicture) {
org.openxmlformats.schemas.drawingml.x2006.picture.ctpicture picture = (org.openxmlformats.schemas.drawingml.x2006.picture.ctpicture) xmlobject;
//拿到元素的属性
imagebundlelist.add(picture.getblipfill().getblip().getembed());
}
}
}
}
//使用ctobject保存图片
//<w:object>形式
if (o instanceof ctobject) {
ctobject object = (ctobject) o;
system.out.println(object);
xmlcursor w = object.newcursor();
w.selectpath("./*");
while (w.tonextselection()) {
xmlobject xmlobject = w.getobject();
if (xmlobject instanceof ctshape) {
ctshape shape = (ctshape) xmlobject;
imagebundlelist.add(shape.getimagedataarray()[0].getid2());
}
}
}
}
}
return imagebundlelist;
}
}
|
首先要提出来是xwpf对xml元素的封装：
<w:document> 对应xwpfdocument类
<w:run>对应xwpfrun类
基本上只对应到run这一层，因为run的子元素有很多，所以没有再往下面的层次封装和定义了，
所以我们使用api只能拿到所有的xwpfrun对象转成它的xml的定义：ctr对象。最后利用ctr去读取和解析的run元素中的内容，获取图片的索引。
其次要谈的则是整个xml元素的定义：
我们可以看到poi使用的是apache下的xmlbeans这个技术解析的xml，相关的技术不做深谈，关键要明白两点：
1：xml文档中的所有元素经过xmlbean是封装后都继承了一个xmlobject的接口，所以可以用这个类来接收获取到的子元素；
2：元素遍历是通过xmlcursor来做的，具体获取子元素是根据xmlcursor对象的selectpath属性来控制,当selectpath为"./*"时就定义为遍历子元素;
所以写成了如下的代码:能遍历当前元素的子元素,并且检验子元素的类型:
|
1
2
3
4
5
6
7
8
9
10
|
ctr ctr = run.getctr();
//对子元素进行遍历
xmlcursor c = ctr.newcursor();
//这个就是拿到所有的子元素：
c.selectpath("./*");
while (c.tonextselection()) {
xmlobject o = c.getobject();
//如果子元素是<w:drawing>这样的形式，使用ctdrawing保存图片
if (o instanceof ctdrawing) {
ctdrawing drawing = (ctdrawing) o;
|
最后你可能会有疑问,不是说<w:drawing>这个元素定义了一张图片吗?
那么
|
1
2
3
4
|
if (o instanceof ctobject) {
ctobject object = (ctobject) o;
...
}
|
这个第二个判断条件是用来干嘛的?
聪明的你应该已经猜到了
没错！docx文档中的xml定义图片的方式除了<w:drawing>这一种之外,还可以运用<w:object>元素去定义,
为什么只有这两种?
因为我只使用第一种方式解析，发现有些图片丢失了，于是发现了第二种方式.......也许不止两种？我也不知道，反正对于目前的我来说已经没有问题了.
或许聪明的你在实践中还遇到了更多种情况?
那么运用上面提到的xml解析方式,相信你也能正确读取,得到自己想要的索引值.
再拓宽一点,如果poi还有其他没有提供的api,我们是不是也能通过xml解析的技术自己实现呢?这个就需要我们在实践中去探索了,相信时间会给我们答案
好了,现在我们拿到了索引值,那么如何去拿到图片资源呢?
poi提供了现成的方法:
xwpfdocument类中有getpicturedatabyid(string picture);
方法可以拿到xwpfpictruedate对象,这个就是图片的资源了.
具体的操作可以参阅相关的博文和api,这里就不详细介绍了.
三、测试：
使用junit4测试的代码：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
|
package com.szdfhx.reportstatistic.util;
import org.apache.commons.collections.collectionutils;
import org.apache.commons.lang.stringutils;
import org.apache.poi.xwpf.usermodel.xwpfdocument;
import org.apache.poi.xwpf.usermodel.xwpfparagraph;
import org.apache.poi.xwpf.usermodel.xwpfpicturedata;
import org.junit.test;
import java.io.fileinputstream;
import java.io.ioexception;
import java.io.inputstream;
import java.util.collections;
import java.util.list;
import static org.junit.assert.*;
public class xwpfutilstest {
@test
public void readimageinparagraph() throws ioexception {
inputstream in = new fileinputstream("d:\\document\\我的博客\\java解析word,获取文档中图片位置\\示例.docx");
xwpfdocument xwpfdocument = new xwpfdocument(in);
list<xwpfparagraph> paragraphlist = xwpfdocument.getparagraphs();
system.out.println("图片的索引\t|图片名称\t|图片上一段文字的内容\t");
system.out.pringln("------------------------------------------");
for(int i = 0;i < paragraphlist.size();i++){
list<string> imagebundlelist = xwpfutils.readimageinparagraph(paragraphlist.get(i));
if(collectionutils.isnotempty(imagebundlelist)){
for(string pictureid:imagebundlelist){
xwpfpicturedata picturedata = xwpfdocument.getpicturedatabyid(pictureid);
string imagename = picturedata.getfilename();
string lastparagraphtext = paragraphlist.get(i-1).getparagraphtext();
system.out.println(pictureid +"\t|" + imagename + "\t|" + lastparagraphtext);
}
}
}
}
}
|
展示结果：
这里使用图片名称指代表明我拿到了对应的资源，实际上 如果你对前文的内容还熟悉的话，会发现图片的名称实际上就是word/media文件夹下的所有图片的全名称。
在对应的xwpfpicturedata对象中，图像的二进制数据可以通过getdata()属性来拿到，这样你就可以保存到数据库或者是你本地的文件夹中了！
四、其他：
谈到这里，开头提到的第二个问题这里就已经解决了。
那么，第一个问题怎么办呢？
如果你的系统对速度要求不高的话，那么我给你的建议是，把doc文档转化成docx文档来解析--poi就有成熟的api来做
如果要考虑性能的话，那就只好写两套方法去解析文档。
那么......doc类型的word文档怎么获取图片的相对位置呢?
我也不知道········或者，你来告诉我？
以上这篇java解析word,获取文档中图片位置的方法就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://www.cnblogs.com/ct-csu/p/8178932.html