Java解析word,獲取文檔中圖片位置的方法

2024-07-13 10:15:55

字體：大中小

來源：轉載

供稿：網友

前言（背景介紹）：

Apache POI是Apache基金會下一個開源的項目,用來處理office系列的文檔,能夠創建和解析word、excel、ppt格式的文檔。

其中對word文檔的處理有兩個技術，分別是HWPF（.doc）和XWPF（.docx）。如果你對這兩個技術熟悉的話，就應該能明白使用java解析word文檔的痛楚所在。

其中兩個最大的問題在于：

第一是這兩個類并沒有統一的父類和接口（隔壁的XSSF和HSSF投過來鄙視的眼光）,所以沒法進行同一格式的接口式編程；

第二是官方API中并沒有文檔中圖片相對位置的接口，這就導致了雖然你能獲得文檔中的所有圖片，但是你并不能知道這些圖片是在哪里，將來要展示圖片就沒法插入到正確的位置。

對于第一點，我是沒什么辦法，可以研究下其他相關技術，比如jacob,doc4j等看看有沒有其他的解決方案，不過doc4j這貨貌似只能處理2007文檔（.docx)。

對于第二點，本文將給出筆者的解決方案，實際上，這也是我寫本文的目的所在。

注意：簡單求快的同學看第二章和第三章就行了;

一、預備知識

1.word文檔的兩種格式對應兩種不同的存儲方式

眾所周知,word文檔有兩種存儲格式:doc和docx

doc:習慣上稱為Word2003,使用二進制儲存數據;這個不是我們今天討論的重點.

docx:word2007,使用xml來存儲數據和格式.

可能你會問了，明明是docx結尾的文檔，怎么成了xml格式了？

很簡單:你隨便選擇一個docx文件，右鍵使用壓縮工具打開，就能得到一個這樣的目錄結構：

Java,word,文檔,圖片,位置

所以你以為docx是一個完整的文檔，其實它只是一個壓縮文件。(docx:?_?)

2.Word文檔中xml的定義格式:

從前面我們知道了docx文檔使用壓縮文件也就是xml來描述數據,那么word文檔中的數據具體是怎么定義的呢?

出于篇幅的關系,這里不會詳細地描述整個壓縮的文檔,這里只簡單介紹下兩個文件/文件夾:

一是word目錄下的documen.xml文件,這個就是整個文檔內容的定義;

二是word目錄下的media文件夾,看名字也能猜出來這個文件夾里面是文檔中的多媒體內容:

Java,word,文檔,圖片,位置

圖3:word/document.xml(定義文檔內容) 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　

圖4:word/media文件夾下的內容

以下是document.xml文檔的部分關鍵內容:

A:document整體結構定義：

<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:文檔段落內容:

<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:圖片內容定義:

<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>

有興趣的童鞋可以看一下上面三段xml代碼,我這里直接給結論了:

word文檔shema文件:xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main"

文檔根節點:<w:document>　定義了整個文檔的開始

<w:body>是document的子節點,文檔的主體內容

<w:p>body子節點,一個段落,就是word文檔中的段落

<w:r>P元素的子節點,一個Run定義了段落中具有相同格式的一段內容

<w:t>Run元素節點的子節點,就是文檔的內容.

<w:drawing> run元素的子節點,定義了一張圖片:

<w:inline> drawing子節點,具體應用也沒有深入研究

<a:graphic> 定義圖片內容

<pic:blipfill>這個是graphic文檔的子節點,定義了圖片內容的索引,具體來說,poi能根據這個名稱拿到圖片所對應的資源,而獲取文檔圖片位置的關鍵也就在這里

Java,word,文檔,圖片,位置

總體看來:XWPF解析docx文檔就是做了xml文檔的解析,將所有的節點保存下來,然后轉換成更加好用的屬性,提供API出來供用戶使用.

所以我們就能用POI提供給我們的接口拿到文檔內容,自己去解析文檔中的數據,就能獲取到圖片是在哪一個段落里了,當然你也可以得知圖片是位于哪一個Run元素的后面.

二、實現

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 { //獲取某一個段落中的所有圖片索引 public static List<String> readImageInParagraph(XWPFParagraph paragraph) { //圖片索引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對xml元素解析后生成的自己的屬性，無法通過xml解析，需要先轉化成CTR CTR ctr = run.getCTR(); //對子元素進行遍歷 XmlCursor c = ctr.newCursor(); //這個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>這樣的形式，使用CTDrawing保存圖片 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>這樣的形式  if (xmlObject instanceof CTPicture) {  org.openxmlformats.schemas.drawingml.x2006.picture.CTPicture picture = (org.openxmlformats.schemas.drawingml.x2006.picture.CTPicture) xmlObject;  //拿到元素的屬性  imageBundleList.add(picture.getBlipFill().getBlip().getEmbed());  }  }  } } //使用CTObject保存圖片　　　　　　　　　　//<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; }}

首先要提出來是XWPF對xml元素的封裝：

<w:document> 對應XWPFDocument類

<w:run>對應XWPFRun類

基本上只對應到Run這一層，因為run的子元素有很多，所以沒有再往下面的層次封裝和定義了，

所以我們使用API只能拿到所有的XWPFRun對象轉成它的xml的定義：CTR對象。最后利用CTR去讀取和解析的Run元素中的內容，獲取圖片的索引。

其次要談的則是整個XML元素的定義：

我們可以看到POI使用的是Apache下的xmlbeans這個技術解析的XML，相關的技術不做深談，關鍵要明白兩點：

1：xml文檔中的所有元素經過xmlbean是封裝后都繼承了一個XMLObject的接口，所以可以用這個類來接收獲取到的子元素；

2：元素遍歷是通過XmlCursor來做的，具體獲取子元素是根據XmlCursor對象的selectPath屬性來控制,當selectPath為"./*"時就定義為遍歷子元素;

所以寫成了如下的代碼:能遍歷當前元素的子元素,并且檢驗子元素的類型:

CTR ctr = run.getCTR();//對子元素進行遍歷XmlCursor c = ctr.newCursor();//這個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>這樣的形式，使用CTDrawing保存圖片if (o instanceof CTDrawing) {CTDrawing drawing = (CTDrawing) o;

最后你可能會有疑問,不是說<w:drawing>這個元素定義了一張圖片嗎?

那么

if (o instanceof CTObject) {CTObject object = (CTObject) o;...}

這個第二個判斷條件是用來干嘛的?

聰明的你應該已經猜到了

沒錯！docx文檔中的xml定義圖片的方式除了<w:drawing>這一種之外,還可以運用<w:object>元素去定義,

為什么只有這兩種?

因為我只使用第一種方式解析，發現有些圖片丟失了，于是發現了第二種方式.......也許不止兩種？我也不知道，反正對于目前的我來說已經沒有問題了.

或許聰明的你在實踐中還遇到了更多種情況?

那么運用上面提到的xml解析方式,相信你也能正確讀取,得到自己想要的索引值.

再拓寬一點,如果POI還有其他沒有提供的API,我們是不是也能通過XML解析的技術自己實現呢?這個就需要我們在實踐中去探索了,相信時間會給我們答案

好了,現在我們拿到了索引值,那么如何去拿到圖片資源呢?

POI提供了現成的方法:

XWPFDocument類中有getPictureDataByID(String picture);

方法可以拿到XWPFPictrueDate對象,這個就是圖片的資源了.

具體的操作可以參閱相關的博文和API,這里就不詳細介紹了.

三、測試：

使用Junit4測試的代碼：

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,獲取文檔中圖片位置//示例.docx"); XWPFDocument xwpfDocument = new XWPFDocument(in); List<XWPFParagraph> paragraphList = xwpfDocument.getParagraphs(); System.out.println("圖片的索引/t|圖片名稱/t|圖片上一段文字的內容/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); } } } }}

展示結果：

Java,word,文檔,圖片,位置