利用POI操作Word文档（原）

关键字：POI JAVA 批注 总页数 总字符数
一：认识POI
Apache POI是一个开源的利用Java读写Excel、WORD等微软OLE2组件文档的项目。最新的3.5版本有很多改进，加入了对采用OOXML格式的 Office 2007支持，如xlsx、docx、pptx文档。
POI主页：poi.apache.org/

二：POI3.5相关下载
                3.5Jar 包下载地址
                3.5 源码下载地址

三：POI组成部分概览
以下是POI的几个重要组成部分，以及各组件的功能概述。

POIFS
POIFS是该项目的最古老，最稳定的一部分。.这是格式化OLE 2复合文档为纯Java的接口。 它同时支持读写功能。所有的组件，最终都依赖于它的定义
HSSF 和 XSSF
HSSF: MS－Excel 97-2003（.xls），基于BIFF8格式的JAVA接口。
XSSF：MS－Excel 2007+(.xlsx),基于OOXML格式的JAVA接口。
HWPF 和XWPF
HWPF: MS－Word 97-2003(.doc)，基于BIFF8格式的JAVA接口。只支持.doc文件简单的操作，读写能力有限。本API为POI项目早期开发，很不幸的 是主要负责HWPF模块开发的工程师-“Ryan Ackley”已经离开Apache组织，现在该模块没有人维护、更新、完善。
XWPF：MS－Word 2007+(.docx),基于OOXML格式的JAVA接口。较HWPF功能完善。

四：利用POI提取 Word文本内容及批注
97-2003:

import org.apache.poi.POITextExtractor;
import org.apache.poi.hwpf.extractor.WordExtractor;
//得到.doc文件提取器
org.apache.poi.hwpf.extractor.WordExtractor doc = new WordExtractor(new FileInputStream(filePath));
//提取.doc正文文本
String text = doc.getText();
//提取.doc批注
String[] comments = doc. getCommentsText();

2007:

import org.apache.poi.POITextExtractor;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.poi.xwpf.usermodel.XWPFComment;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
//得到.docx文件提取器
org.apache.poi.xwpf.extractor.XWPFWordExtractor docx = new XWPFWordExtractor(POIXMLDocument.openPackage(filePath));
//提取.docx正文文本
String text = docx.getText();
//提取.docx批注
org.apache.poi.xwpf.usermodel.XWPFComment[] comments = docx.getDocument()).getComments();
for(XWPFComment comment:comments){
comment.getId();//提取批注Id
comment.getAuthor();//提取批注修改人
comment.getText();//提取批注内容
}

 

五：利用POI提取Word总页数、总字符数…
97-2003:

 WordExtractor doc = new WordExtractor(new FileInputStream(filePath));//.doc格式Word文件提取器
int pages = doc.getSummaryInformation().getPageCount();//总页数
int wordCount = doc.getSummaryInformation().getWordCount();//总字符数

2007:

XWPFDocument docx = nnew XWPFDocument(POIXMLDocument.openPackage(filePath));

int pages = docx.getProperties().getExtendedProperties().getUnderlyingProperties().getPages();// 总页数
int characters = docx.getProperties().getExtendedProperties().getUnderlyingProperties().getCharacters();// 忽略空格的总字符数 另外还有getCharactersWithSpaces()方法获取带空格的总字数。

小技巧：

2007采用了全新的OFFICE OPEN XML格式来存储，跟以前二进制文件格式的office 97-2003（.doc、.xls…）不同，所以可以直接重命名xx.docx的文件为xx.zip,用WinRar打开可以看到 office2007的存储文件，其中word/document.xml里面保存了最重要的正文内容，word/comments.xml保存的是批注 内容，可以多研究一下这些文件，有助于开发~

Office Open XML 文件格式简介  www.microsoft.com/china/msdn/library/office/office/OfficeOpenXMLFormats.mspx

随着20世纪90年代XML的出现，企业计算客户开始逐渐认识到，在他们所依赖的 计算机产品和应用中采用开放的格式和标准所带来的商业价值。IT专业人员将从通用的数据格式中受益匪浅，这种格式可能是XML，因为它拥有被应用程序、平 台和Internet浏览器读取的能力。

同样，随着在Microsoft Office 2000中对于XML格式的支持与采用，开发人员开始认识到，他们需要将以前的Microsoft Office版本中的二进制文件格式转换为XML格式。二进制文件（.doc，.dot，.xls，以及.ppt文件）在过去几年中一直肩负着存储和转换 数据的重任，而现在它们无法满足新的市场需求的挑战，其中包括轻松地在异构应用之间传递数据，以及允许用户从这些数据中搜集商业信息。

2007 Microsoft Office system为Microsoft Office Excel 2007，Microsoft Office Word 2007，和Microsoft Office PowerPoint 2007采用了基于XML的文件格式，从而延续了这种转移。新的文件格式，称为Office Open XML格式，解决了上述市场需求的问题，同时改变了您基于Microsoft Office文档建立解决方案的方式。

 

Word批注相关的操作请查看这里：https://chiefleo.com/archives/429

http://xzh.i3geek.com
Back to Top