您现在的位置：程式碼之家 >> 編程語言 > >> Java 程式設計 >> Java 綜合教學

Java Apache POI 解析 Word 文檔實戰：轉 HTML 再模型化提取結構化數據

編輯：Java 綜合教學

Java Apache POI 解析 Word 文檔實戰：轉 HTML 再模型化提取結構化數據

業務常需從 Word 試卷/合同/報告中提取結構化數據。Apache POI 支持 .doc (HWPF) 與 .docx (XWPF)。本文實現 Word → HTML → 模型化 Map/List 兩階段解析，提取標題層級、題目、選項、分值等教學結構。

依賴坐標 (Maven)

<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi</artifactId>
    <version>5.2.3</version>
</dependency>
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-scratchpad</artifactId>
    <version>5.2.3</version>
</dependency>
<!-- .docx 需額外 --> 
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-ooxml</artifactId>
    <version>5.2.3</version>
</dependency>

核心類說明 (HWPF - .doc 格式)

HWPFDocument：文檔入口
Range：文檔文本範圍，按字符/段落/表格迭代
CharacterRun：同樣式連續字符片段 (字體、大小、顏色、粗斜)
Paragraph：段落，含文本、樣式、縮進
Table/TableRow/TableCell：表格結構
PicturesTable：圖片提取

階段一：Word 轉 HTML (保留樣式與結構)

public class WordToHtml {
    // 關鍵 ASCII 碼
    private static final short ENTER = 13, SPACE = 32, TAB = 9;
    
    public static String convert(String inputPath, String outputHtmlPath) throws Exception {
        try (FileInputStream fis = new FileInputStream(inputPath)) {
            HWPFDocument doc = new HWPFDocument(fis);
            Range range = doc.getRange();
            PicturesTable pics = doc.getPicturesTable();
            
            StringBuilder html = new StringBuilder("")
                .append(doc.getSummaryInformation().getTitle())
                .append("");
            
            // 1. 先處理表格 (記錄位置偏移，避免字符流重複處理)
            TableIterator tit = new TableIterator(range);
            Map tableHtmlMap = new HashMap<>();
            int tblIdx = 0;
            while (tit.hasNext()) {
                Table table = (Table) tit.next();
                int start = table.getStartOffset();
                int end = table.getEndOffset();
                String tblHtml = buildTableHtml(table);
                tableHtmlMap.put(start, tblHtml + "|" + end);  // 存 HTML + 結束偏移
                tblIdx++;
            }
            
            // 2. 字符級流式處理非表格內容
            StringBuilder tempRun = new StringBuilder();
            for (int i = 0; i < doc.characterLength() - 1; i++) {
                Range charRange = new Range(i, i + 1, doc);
                CharacterRun cr = charRange.getCharacterRun(0);
                
                // 檢查是否進入表格區域
                if (tableHtmlMap.containsKey(i)) {
                    html.append(tempRun).append(tableHtmlMap.get(i).split("\\|")[0]);
                    i = Integer.parseInt(tableHtmlMap.get(i).split("\\|")[1]) - 1;
                    tempRun.setLength(0);
                    continue;
                }
                
                // 圖片處理
                if (pics.hasPicture(cr)) {
                    html.append(tempRun).append(extractPicture(pics, cr));
                    tempRun.setLength(0);
                    continue;
                }
                
                // 字符歸一化
                char c = cr.text().charAt(0);
                if (c == SPACE) tempRun.append(" ");
                else if (c == TAB) tempRun.append("    ");
                else {
                    // 樣式邊界檢測：與下一字符樣式對比
                    Range nextRange = new Range(i + 1, i + 2, doc);
                    CharacterRun crNext = nextRange.getCharacterRun(0);
                    boolean sameStyle = sameStyle(cr, crNext);
                    
                    if (sameStyle && c != ENTER) {
                        tempRun.append(cr.text());
                    } else {
                        // 輸出累積 run 並帶上樣式 span
                        String style = buildStyleSpan(cr);
                        html.append(style).append(tempRun).append(cr.text()).append("");
                        tempRun.setLength(0);
                    }
                }
                
                if (c == ENTER) html.append("
");
            }
            
            html.append(tempRun).append("");
            
            // 寫入文件 (可選)
            Files.write(Paths.get(outputHtmlPath), html.toString().getBytes(StandardCharsets.UTF_8));
            return html.toString();
        }
    }
    
    // 樣式對比、構建、圖片提取、表格構建等輔助方法省略...
}

階段二：HTML 字符串模型化解析 (試卷結構提取)

public List> parseExamStructure(String html) {
    // 1. 按 
 分行，清理空行與標籤
    String[] lines = html.split("
");
    List cleanLines = Arrays.stream(lines)
        .map(l -> l.replaceAll("<[^>]+>", "").trim())
        .filter(StringUtils::isNotBlank)
        .collect(Collectors.toList());
    
    // 2. 自底向上構建樹：大題 → 小題 → 選項
    List> bigQuestions = new ArrayList<>();
    List> smallQuestions = new ArrayList<>();
    List> options = new ArrayList<>();
    StringBuilder contentBuf = new StringBuilder();
    int currentScore = 0;
    
    for (int i = cleanLines.size() - 1; i >= 0; i--) {
        String text = cleanLines.get(i);
        String htmlLine = lines[Arrays.asList(lines).indexOf(text)];  // 保留 HTML 版
        
        if (isOption(text)) {  // A. B. C. D. 開頭
            options.add(0, Map.of("key", text.substring(0,1), "content", htmlLine + contentBuf));
            contentBuf.setLength(0);
        } else if (isSmallTitle(text)) {  // 1、 2、 開頭
            currentScore = extractScore(text);  // （5分）
            smallQuestions.add(0, Map.of(
                "title", htmlLine + contentBuf,
                "score", currentScore > 0 ? currentScore : extractScore(text),
                "options", new ArrayList<>(options)
            ));
            options.clear();
            contentBuf.setLength(0);
        } else if (isBigTitle(text)) {  // 一、 二、 開頭
            bigQuestions.add(0, Map.of(
                "title", text.substring(0, 3),  // "一、"
                "subQuestions", new ArrayList<>(smallQuestions)
            ));
            smallQuestions.clear();
            contentBuf.setLength(0);
        } else {
            contentBuf.insert(0, htmlLine);  // 正文內容前向累積
        }
    }
    
    return bigQuestions;
}

// 正則判斷輔助
private boolean isOption(String s) { return s.matches("^[A-Za-z][、：].*"); }
private boolean isSmallTitle(String s) { return s.matches("^\\d+[、\\.].*"); }
private boolean isBigTitle(String s) { return s.matches("^[一二三四五六七八九十][、\\.].*"); }
private int extractScore(String s) {
    Matcher m = Pattern.compile("（(\\d+)）").matcher(s);
    return m.find() && NumberUtils.isDigits(m.group(1)) ? Integer.parseInt(m.group(1)) : 0;
}

輸出數據結構示例

[
  {
    "title": "一、單選題",
    "subQuestions": [
      {
        "title": "1、Java 基礎類是? （5分）",
        "score": 5,
        "options": [
          {"key": "A", "content": "Object"},
          {"key": "B", "content": "String"},
          {"key": "C", "content": "System"},
          {"key": "D", "content": "Math"}
        ]
      }
    ]
  }
]