业务需求

我们有这样一个需求，需要抽取出WORD文档中的内容，然后组装成特定的json格式发送给第三方引擎接口，输入协议如下：

1. { 
2.     "tables": [ 
3.         { 
4.             "cells": [ 
5.                 { 
6.                     "col": 1, 
7.                     "row_span": 1, 
8.                     "row": 1, 
9.                     "col_span": 1, 
10.                     "content": "车辆名称" 
11.                 } 
12.             ], 
13.             "id": 0, 
14.             "row_num": 2 
15.         } 
16.     ], 
17.     "paragraps": [ 
18.         { 
19.             "para_id": 1, 
20.             "content": "Hello,JAVA日知录" 
21.         } 
22.     ] 
23. } 

这个输入格式一看就是需要我们分段落和表格读取word中的内容，既然需求已定，那就直接开始动手写代码吧。

基于POI实现

把 “java如何读取word” 拿到百度去搜索，答案基本都是利用POI来实现。当然利用POI确实可以实现按段落和表格提取出内容并组装成上述格式，但是在实践过程中有下面2个问题：

需要分别处理两种格式docx、docPOI使用不同的API来读取docx和doc，所以读取逻辑我们需要编写两次。

POI读取doc的段落时会把表格的内容也读取出来 这个问题比较坑，poi有单独的方法读取文档中所有表格，但是在读取doc格式段落文档的时候会把表格内容也读取出来，所以我们需要用如下方法排除掉表格：

1. //读取doc 
2. HWPFDocument doc = new HWPFDocument(stream); 
3. Range range = doc.getRange(); 
4.  
5. //读取段落 
6. int num = range.numParagraphs(); 
7. Paragraph para; 
8. for (int i=0; i<num; i++) { 
9.     para = range.getParagraph(i); 
10.     //排除表格内容 
11.     if (!para.isInTable()) { 
12.         System.out.println(para.text()); 
13.     } 
14. } 

考虑以上两种原因，我们最后并没有采取POI来实现word内容提取功能，而是采用第二种方法，即利用 Spire.Doc for Java 来实现。

Spire.Doc for Java

Spire.Doc for Java 是一款专业的 Java Word 组件，开发人员使用它可以轻松地将 Word 文档创建、读取、编辑、转换和打印等功能集成到自己的 Java 应用程序中。

作为一款完全独立的组件，Spire.Doc for Java 的运行环境无需安装 Microsoft Office。我们项目中使用的开源免费版。