Java如何提取Word表格中的文字内容？

Question

在使用Java解析Word文档中的表格内容时，开发者常遇到中文乱码或单元格内容读取不完整的问题。尤其是在处理包含复杂格式、合并单元格或使用.doc与.docx混合格式的文件时，Apache POI虽为常用工具，但若未正确设置字符编码或遍历逻辑不严谨，极易导致数据丢失或解析失败。如何确保跨格式文档中表格文本的准确提取？

Answer 1

1. 常见问题与现象分析

在使用Java解析Word文档时，开发者普遍依赖Apache POI库处理.doc和.docx格式的文件。然而，在实际应用中，常出现以下典型问题：

• 中文乱码：读取包含中文内容的单元格时，显示为“??”或乱码字符。
• 内容截断：长文本未完整读取，尤其在含有换行或特殊符号时。
• 合并单元格识别失败：跨行或跨列的单元格被重复读取或忽略。
• 格式兼容性差：.doc（HWPF）与.docx（XWPF）处理逻辑不一致，导致混合场景下行为异常。
• 嵌套表格遗漏：表格内嵌套子表格未被递归解析。

这些问题的根本原因通常涉及字符编码、DOM结构遍历方式、API使用误区以及对底层模型理解不足。

2. 根本原因剖析

问题类型	可能原因	影响范围
中文乱码	JVM默认编码非UTF-8；未正确设置输入流编码	所有文本节点
内容缺失	仅读取run.getText()而忽略text elements集合	富文本、加粗/斜体段落
合并单元格错误	未解析GridSpan/VMerge属性或未追踪cell坐标	报表类文档
.doc支持弱	HWPF功能有限，不支持现代Word特性	旧版Office文档

3. 解决策略与最佳实践

1. 统一字符编码处理：确保IO操作使用UTF-8编码。

   InputStream is = new FileInputStream(file);
   POIFSFileSystem fs = new POIFSFileSystem(is); // .doc
   XWPFDocument doc = new XWPFDocument(OPCPackage.open(is)); // .docx
   // 显式声明编码不影响POI内部解析，但需保证JVM启动参数-Dfile.encoding=UTF-8
   

2. 完整提取段落文本：避免直接调用cell.getText()，应遍历XWPFParagraph和XWPFRun。

   private String extractTextFromCell(XWPFTableCell cell) {
       StringBuilder sb = new StringBuilder();
       for (XWPFParagraph p : cell.getParagraphs()) {
           for (XWPFRun r : p.getRuns()) {
               if (r != null && r.text() != null) {
                   sb.append(r.text());
               }
           }
           sb.append("\n");
       }
       return sb.toString().trim();
   }
   

4. 处理合并单元格的坐标追踪算法

对于跨行列的单元格，必须结合网格布局进行逻辑判断。以下是基于行列索引的状态跟踪机制：

graph TD
    A[开始遍历表格] --> B{当前cell是否为空?}
    B -- 是 --> C[检查其是否属于已合并区域]
    B -- 否 --> D[获取GridSpan/VMerge属性]
    D --> E{存在合并属性?}
    E -- 是 --> F[标记后续N个cell为占位]
    E -- 否 --> G[正常提取文本]
    F --> H[跳过重复读取]
    G --> I[存储至结果矩阵]
    H --> I
    I --> J[继续下一cell]

5. 跨格式文档统一处理框架设计

为兼容.doc与.docx，建议封装抽象层：

public interface WordTableExtractor {
    List<List<String>> extractTables(File file) throws IOException;
}

@Component
public class DocxTableExtractor implements WordTableExtractor {
    public List<List<String>> extractTables(File file) { ... }
}

@Component
public class DocTableExtractor implements WordTableExtractor {
    public List<List<String>> extractTables(File file) { ... }
}

通过工厂模式动态选择实现：

public WordTableExtractor getExtractor(String filename) {
    return filename.endsWith(".docx") ? 
        applicationContext.getBean(DocxTableExtractor.class) :
        applicationContext.getBean(DocTableExtractor.class);
}