### Java读取DOC/DOCX/Word文档内容的数据方法
#### 概述
在实际开发过程中，经常需要处理各种格式的文档数据。其中，Word文档（.doc 和 .docx）是最常见的一种类型。Java提供了多种库来读取这些文档中的内容，其中Apache POI是一个非常流行的解决方案。本文将详细介绍如何使用Apache POI来高效地读取.doc和.docx格式的Word文档内容。
#### Apache POI简介
Apache POI是一个开源项目，由Apache软件基金会维护。它为Java开发者提供了一组API，用于处理Microsoft Office格式的文件，包括Excel、Word和PowerPoint等。对于Word文档而言，POI支持两种格式：.doc（旧版的二进制格式）和.docx（基于XML的新格式）。本文主要关注如何读取这两种格式的Word文档内容。
#### 准备工作
在开始之前，需要确保已经添加了Apache POI相关的依赖到项目中。如果使用Maven管理项目依赖，可以在`pom.xml`文件中加入以下依赖：
```xml
<dependencies>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>5.2.1</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>5.2.1</version>
</dependency>
</dependencies>
```
这两个依赖分别对应于处理旧版.doc文件和支持新格式.docx所需的功能。
#### 处理.doc文件
对于旧版的.doc文件，可以使用`org.apache.poi.hwpf.HWPFDocument`类进行处理。下面是一个简单的示例代码，展示了如何读取一个.doc文件并获取其内容：
```java
import java.io.File;
import java.io.FileInputStream;
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.usermodel.Range;
public class DocFile {
public String getContent(File f) throws Exception {
FileInputStream fis = new FileInputStream(f);
HWPFDocument doc = new HWPFDocument(fis);
Range range = doc.getRange();
String text = range.text();
fis.close();
return text;
}
}
```
这段代码首先创建了一个`FileInputStream`对象来读取文件，然后利用`HWPFDocument`类加载这个流。通过调用`getRange()`方法，可以获取文档的所有内容范围。通过调用`text()`方法，就可以获得整个文档的文本内容。
#### 处理.docx文件
对于基于XML的.docx文件，可以使用`org.apache.poi.xwpf.usermodel.XWPFDocument`类进行处理。这里给出一个简单的示例代码：
```java
import java.io.File;
import java.io.FileInputStream;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFParagraph;
public class DocxFile {
public String getContent(File f) throws Exception {
FileInputStream fis = new FileInputStream(f);
XWPFDocument doc = new XWPFDocument(fis);
StringBuilder text = new StringBuilder();
for (XWPFParagraph p : doc.getParagraphs()) {
text.append(p.getText());
}
fis.close();
return text.toString();
}
}
```
与处理.doc文件类似，这段代码首先创建一个`FileInputStream`对象来读取文件，然后使用`XWPFDocument`类加载该流。由于.docx文件是基于段落的，因此可以通过遍历所有的`XWPFParagraph`对象来获取每个段落的文本，并将它们拼接起来得到整个文档的内容。
#### 总结
通过上述示例可以看出，使用Apache POI库可以方便且高效地读取.doc和.docx格式的Word文档内容。无论是处理旧版的二进制格式还是基于XML的新格式，POI都提供了简单易用的API。此外，POI还支持更多高级功能，如样式处理、图片插入等，适用于更复杂的文档处理需求。对于Java开发者来说，掌握如何使用Apache POI处理Word文档是一项非常实用的技能。
