Java解析word,获取文档中图片位置的方法

Java解析word,获取文档中图片位置的方法

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：

B:文档段落内容:

C:图片内容定义:

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:　定义了整个文档的开始

是document的子节点,文档的主体内容

body子节点,一个段落,就是word文档中的段落

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

Run元素节点的子节点,就是文档的内容.

run元素的子节点,定义了一张图片:

drawing子节点,具体应用也没有深入研究

定义图片内容

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

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 readImageInParagraph(XWPFParagraph paragraph) {

//图片索引List

List imageBundleList = new ArrayList();

//段落中所有XWPFRun

List 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

　　　　　　　　　　//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：

对应XWPFDocument类

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:

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,不是说这个元素定义了一张图片吗?

那么

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这一种之外,还可以运用元素去定义,

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：

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 = NJGbfUiNQWnew XWPFDocument(in);

List 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 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？

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。