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

    @Datapublic 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parentIdString[] 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IDStringBuilder 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parentIdif (styleIndex > 1) {// 如果不是第二级标题，则parentId为上一级的IDnode.setParentId(lastLevelIds[styleIndex-1]);} else {// 如果是第二级标题，则parentId为根节点IDnode.setParentId("10000000000");}// 记录当前级别的IDlastLevelIds[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parentIdString[] 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IDStringBuilder 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parentIdif (styleIndex > 1) {// 如果不是第二级标题，则parentId为上一级的IDnode.setParentId(lastLevelIds[styleIndex-1]);} else {// 如果是第二级标题，则parentId为根节点IDnode.setParentId("10000000000");}// 记录当前级别的IDlastLevelIds[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IDString 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IDfor (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IDSet<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