java实现Apache POI提取word文档标题（类目录）
背景
为实现F1帮助文档的自动化管理（并非写死的文档内容），故由后端提取帮助文档目录，将目录存入数据库统一管理，并通过开发查询目录树接口，返回给前端目录，由前端跳转到指定的HTML界面（由拆分的word文档转化的）
导包
在pom文件中导入Apache POI的包
<!-- Apache POI核心库 -->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>5.2.4</version>
</dependency>
<!-- Apache POI OOXML支持(.docx) -->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>5.2.4</version>
</dependency>
<!-- Apache POI OLE2支持(.doc) -->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>5.2.4</version>
</dependency>
这里的实体类的id为个人自定义，最多6级标题，每级最多10多个标题，所以根节点为1000000000000，每级决定1后两位数字
创建实体类
@Data
public static class HeadingNode {
private String id;
private String title;
private int level;
private String parentId;
public HeadingNode() {
}
}
使用Apache POI解析Word文档，提取标题
// 使用Apache POI解析Word文档
public static List<HeadingNode> parseWordHeadings(File wordFile) throws IOException {
List<HeadingNode> headings = new ArrayList<>();
HeadingNode headingNode = new HeadingNode();
if (language.equals("zh")){
headingNode.setTitle("用户使用手册");
} else {
headingNode.setTitle("User Manual");
}
headingNode.setLevel(1);
headingNode.setId("10000000000");
headingNode.setParentId("0");
headings.add(headingNode);
try (FileInputStream fis = new FileInputStream(wordFile)) {
if (wordFile.getName().toLowerCase().endsWith(".docx")) {
// 处理 .docx 文件
XWPFDocument document = new XWPFDocument(fis);
// 计数器数组，记录各级标题的序号
int[] counters = new int[7]; // 索引0不用，1-5对应五个级别
// 记录上一级别的ID，用于设置parentId
String[] lastLevelIds = new String[7];
for (XWPFParagraph paragraph : document.getParagraphs()) {
System.out.println("paragraph:"+paragraph.getText());
String style = paragraph.getStyle();
String styleID = paragraph.getStyleID();
System.out.println("style:"+style);
System.out.println("styleID:"+styleID);
if (style != null && style.matches("\\d+")) {
int levelNum = Integer.parseInt(style);
int styleIndex = 0;
if (levelNum>0&&levelNum<=10){
styleIndex = 1;
} else if (levelNum>10&&levelNum<=20){
styleIndex = 2;
} else if (levelNum>20&&levelNum<=30) {
styleIndex = 3;
} else if (levelNum>30&&levelNum<40) {
styleIndex = 4;
} else if (levelNum>40&&levelNum<=50) {
styleIndex = 5;
} else if (levelNum>50&&levelNum<=60) {
styleIndex = 6;
}
// 更新计数器
counters[styleIndex]++;
// 重置更低级别的计数器
for (int j = styleIndex + 1; j <= 5; j++) {
counters[j] = 0;
}
// 构造ID
StringBuilder idBuilder = new StringBuilder("1");
for (int level = 1; level <= 5; level++) {
idBuilder.append(String.format("%02d", counters[level]));
}
HeadingNode node = new HeadingNode();
node.setTitle(paragraph.getText());
node.setLevel(styleIndex + 1);
String currentId = idBuilder.toString();
node.setId(idBuilder.toString());
headings.add(node);
// 设置parentId
if (styleIndex > 1) {
// 如果不是第二级标题，则parentId为上一级的ID
node.setParentId(lastLevelIds[styleIndex-1]);
} else {
// 如果是第二级标题，则parentId为根节点ID
node.setParentId("10000000000");
}
// 记录当前级别的ID
lastLevelIds[styleIndex] = currentId;
}
}
} else if (wordFile.getName().toLowerCase().endsWith(".doc")) {
// 处理 .doc 文件
HWPFDocument document = new HWPFDocument(fis);
Range range = document.getRange();
// 计数器数组，记录各级标题的序号
int[] counters = new int[6]; // 索引0不用，1-5对应五个级别
// 记录上一级别的ID，用于设置parentId
String[] lastLevelIds = new String[6];
for (int i = 0; i < range.numParagraphs(); i++) {
org.apache.poi.hwpf.usermodel.Paragraph paragraph = range.getParagraph(i);
Short styleIndex = paragraph.getStyleIndex();
if (styleIndex >= 1 && styleIndex <= 5) {
// 更新计数器
counters[styleIndex]++;
// 重置更低级别的计数器
for (int j = styleIndex + 1; j <= 5; j++) {
counters[j] = 0;
}
// 构造ID
StringBuilder idBuilder = new StringBuilder("1");
for (int level = 1; level <= 5; level++) {
idBuilder.append(String.format("%02d", counters[level]));
}
HeadingNode node = new HeadingNode();
node.setTitle(paragraph.text().trim());
node.setLevel(styleIndex + 1);
String currentId = idBuilder.toString();
node.setId(idBuilder.toString());
headings.add(node);
// 设置parentId
if (styleIndex > 1) {
// 如果不是第二级标题，则parentId为上一级的ID
node.setParentId(lastLevelIds[styleIndex-1]);
} else {
// 如果是第二级标题，则parentId为根节点ID
node.setParentId("10000000000");
}
// 记录当前级别的ID
lastLevelIds[styleIndex] = currentId;
}
}
} else {
throw new IllegalArgumentException("不支持的文件格式");
}
}
return headings;
}
这里word分为了docx和doc两种处理方式，其中doc直接获取标题样式，即一级标题，getStyleIndex返回1，二级标题返回2，依次返回，因为我这里最小标题到6级标题，所以只对1-6级进行了提取；至于docx格式嘛，标题网上提取都是一级标题返回字符串Heading1，后续依次，但是实际体验感觉不太好提取，会出现Heading1NoNumber，较容易造成提取错误，所以我这里转为对getStyleID处理，与style区别不大，准确的标题会返回具体数字，例如，一级标题返回字符串10，所以处理了0-60，style都由数字组成的；这里我用的都是doc格式，docx格式只是简单测了一下，个人认为doc较易处理，所以docx我都是另存为doc处理的；注意：上述所有前提都是文档的标题样式严格为word的标题样式，否则肯定是提取不到的，所以体量很大的文档提取要保证格式，略微问题可以手动改，全改还是算了吧。 这里最后返回了所有的节点，如需存库可以使用mybatis-plus自带的saveBatch存储到数据库
添加查询功能
上述返回的headings在存入到数据库或内存中后，需要添加查询与搜索功能给前端，代码如下
private void collectParentIds(HeadingNode node, Set<String> relatedIds) {
relatedIds.add(node.getId());
// 从当前节点ID中提取所有父级ID
String currentId = node.getId();
if (currentId != null && currentId.startsWith("1") && currentId.length() == 13) {
// 从后往前每两位检查，找到第一个非"00"的位置
int lastIndex = currentId.length();
for (int i = currentId.length() - 2; i > 1; i -= 2) {
String suffix = currentId.substring(i, i + 2);
if (!"00".equals(suffix)) {
lastIndex = i;
break;
}
}
// 从找到的位置开始，按照每两位一级生成父级ID
for (int i = lastIndex; i > 1; i -= 2) {
String parentId = currentId.substring(0, i) + "0000000000000".substring(i);
if (!"1000000000000".equals(parentId)) {
relatedIds.add(parentId);
}
}
}
// 添加根节点
relatedIds.add("1000000000000");
}
public List<Tree<String>> getHeadingsByOperation(String keyWord){
List<HeadingNode> headings;
if (keyWord != null && !keyWord.trim().isEmpty()) {
// 模糊搜索
LambdaQueryWrapper<HeadingNode> queryWrapper = new LambdaQueryWrapper<>();
queryWrapper.like(HeadingNode::getTitle, keyWord);
List<HeadingNode> searchResults = list(queryWrapper);
// 收集所有相关的父节点ID
Set<String> relatedIds = new HashSet<>();
for (HeadingNode node : searchResults) {
collectParentIds(node, relatedIds);
}
// 查询所有相关节点（包括父节点）
if (!relatedIds.isEmpty()) {
LambdaQueryWrapper<HeadingNode> fullQuery = new LambdaQueryWrapper<>();
fullQuery.in(HeadingNode::getId, relatedIds);
headings = list(fullQuery);
} else {
headings = searchResults;
}
} else {
// 查询全部
headings = list();
}
// log.info("keyWord:{}", keyWord);
// log.info("成功查询数据库中的数据,数据：{}", headings.size());
// log.info("成功构建树形结构,数据：{}", headings);
if (headings.isEmpty()){
return null;
} else {
TreeNodeConfig treeNodeConfig = new TreeNodeConfig();
treeNodeConfig.setIdKey("id");
treeNodeConfig.setWeightKey("level");
treeNodeConfig.setDeep(6);
List<Tree<String>> treeNodes = TreeUtil.build(headings, "1000000000000", treeNodeConfig,
(treeNode, tree) -> {
tree.setId(treeNode.getId());
tree.setWeight(treeNode.getLevel());
tree.setParentId(treeNode.getParentId());
tree.setName(treeNode.getTitle());
});
return treeNodes;
}
}
这里collectParentIds方法为模糊搜索到对应节点后，添加其所有父节点；list为mybatis-plus自带查询方法；最后将数据以树形结构返回；keyWord为搜索关键词，有则模糊搜索，没有则查询全部
浙公网安备 33010602011771号