解析word文件的简单实现
一、了解word结构
文章：《Office文件格式基础知识》、《Anatomy of a WordProcessingML File》
office 97-03
office 97-03的存储规范为OLE。它是COM对象的子集，是一种对象链接和嵌入的技术，该技术可以包含文本，图形，电子表格甚至其他二进制数据。
OLE对象由对象头（ObjectHeader）和数据流（ObjectStream）组成。
（1）对象头各字段解析内容如下：
| 数据 | 解释 |
|---|---|
| 01050000 | OLE Version |
| 02000000 | Format ID |
| 09000000 | ProgName Size（0x09） |
| 4f4c45324c696e6b00 | ProgName (OLE2Link) |
| 000a0000 | Data Size |
（2）对象头和数据流通过d0cf11e0a1b11ae1分隔
（3）解析数据流的时候需要将ascii转换成hex
office 07-*
Doc文件的格式规范为OpenXML（OOXML），是微软在Office 2007中提出的一种新的文档格式。
Office 2007中的Word、Excel、PowerPoint默认均采用OpenXML格式。OpenXML在2006年12月成为了ECMA规范的一部分，编号为ECMA376；并于2008年4月通过国际标准化组织的表决，并于两个月后公布为ISO／IEC 29500国际标准。
Doc文件实际上一个压缩包，可以解压为目录。目录结构如下：
- _rels文件夹：存放了所有指定的rels文件
- docProps文件夹：存放了docx文档的主要属性信息
- word文件夹：存放了docx文档的具体内容
- [Content_Types].xml：描述的是整个文档内容的类型，把各个xml文件组合成一个整体
二、初步探索
-
新建word文档，输入一些内容（最好是有规律，易辨识的内容）：正文、文本框、表格、在第二页再输入正文
-
修改word后缀为zip，解压缩后会发现文件格式确实如第一节中所述
-
打开每个xml文件，搜索在第1步输入的内容，寻找内容与xml的对应关系。
大致可以得出结论：word的主要内容存在word\document.xml中。如果只要解析正文中的内容，直接解析这个xml文件即可。
如果想页眉和页脚的文字内容，则需要另外解析word\header1.xml和word\foot1.xml等文件。
三、解析document.xml文件，读取doc中的文字
文字可能存在于正文（段落）、表格、文本框等位置。
正文（段落）中的文字直接读取XMLStreamConstants.CHARACTERS类型的内容即可获取。
但是如果文档中混合了表格和文本框的元素，则直接获取会出现以下问题：
- 表格会失去形状，表格中每个单元格的文本都会占一行
- 文本框中的文本会多次出现，原因是高版本的docx文件为了兼容低版本的word把文本框中的内容存了多份
问题1的解决方法：
根据结束标签的不同，执行不同的动作：
- 正文中的段落结束标记：打印内容
- 表格中单元格结束标记：追加\t
- 表格中行结束标记：追加\n
- 表格结束标记：打印内容
问题2的解决方法：
- 当遇到不希望解析的节点的开始标签时，开启屏蔽标记
- 开启屏蔽标记之后，不在收集内容节点
- 直到遇到该节点的结束标签时，关闭屏蔽标记
四、完整代码
import javax.xml.namespace.QName;
import javax.xml.stream.XMLEventReader;
import javax.xml.stream.XMLInputFactory;
import javax.xml.stream.XMLStreamConstants;
import javax.xml.stream.XMLStreamException;
import javax.xml.stream.events.Characters;
import javax.xml.stream.events.EndElement;
import javax.xml.stream.events.StartElement;
import javax.xml.stream.events.XMLEvent;
import java.io.*;
import java.nio.charset.Charset;
import java.util.Enumeration;
import java.util.HashSet;
import java.util.Set;
import java.util.zip.ZipEntry;
import java.util.zip.ZipFile;
/** * 解析word文档，打印出文件中的内容（目前只支持2010版word文件） * <p> * 支持正文（段落）、表格、文本框 * <p> * 注：表格打印后仍然可以保持基本形状 */
public class ParseWord {
/** * 是否开启调试 */
private static boolean DEBUG = 
