Java按顺序提取Word内容的方法步骤(文本+数学公式)
作者：疯癫的老码农
本文分享通过Java POI库解析Word试卷内容,将数学公式转换为LaTeX并保持原有顺序的方法,涉及XML文本提取、节点替换及文档重构,解决公式位置错乱问题,实现非结构化到结构化转换,需要的朋友可以参考下
一、背景
因业务需求,目前正在实现一项需求，即将一份试卷的内容提取出来，由非结构化到结构化的转换。在试卷解析的时候在解析数学公式的时候花了一番功夫，当成功把word中的数学公式提出来并且转换为Latex之后已经大功告成了呢，突然发现从word读取到的公式转换成的Latex不能放到准确的位置，造成了顺序错乱的问题。本方案只是我本人实践的一种方法（不一定是最好的方法），于是写下来分享给大家。
二、概述
从一份word格式的试卷中读取内容，使用POI读取word文件,按照XWPFParagraph进行遍历，处理每一个XWPFParagraph，从XWPFParagraph获取xmlText；开始ParserXMLText内容（基于org.w3c.dom.Document）；找到oMath节点后转换为Latex，将Latex替换掉oMath节点后产生新的xmlText，将新的xmlText设置到XWPFParagraph，将XWPFDocument持久化成新的word文档
三、正文
1、准备一份原始word文件
2、使用POI读取word文件,按照XWPFParagraph进行遍历
/**
* 提取公式并替换为唯一标识符
* @param fis 原始Word文档路径
* @param outputPath 处理后Word文档路径
* @return 公式与标识符的映射关系
*/
public Map<String, String> extractAndReplaceFormulas(InputStream fis, String outputPath) {
Map<String, String> formulaMap = new HashMap<>();
try {
try (XWPFDocument document = new XWPFDocument(fis)) {
// 遍历所有段落
for (XWPFParagraph paragraph : document.getParagraphs()) {
processParagraphViaXML(paragraph, formulaMap);
}
// 保存处理后的文档
try (FileOutputStream fos = new FileOutputStream(outputPath)) {
document.write(fos);
}
}
} catch (Exception e) {
log.error("extractAndReplace Formulas: {0}", e);
}
return formulaMap;
}3、处理每一个XWPFParagraph，从XWPFParagraph获取xmlText
/**
* 通过XML直接处理段落中的公式
*/
public void processParagraphViaXML(XWPFParagraph paragraph, Map<String, String> formulaMap) {
try {
CTP ctp = paragraph.getCTP();
// 获取段落的XML内容
String originalXml = ctp.xmlText();
// 处理XML，替换公式
String newXml = parserXML(originalXml, formulaMap);
// 用新的XML替换原来的段落内容
CTP newCtp = CTP.Factory.parse(newXml);
paragraph.getCTP().set(newCtp);
} catch (Exception e) {
log.error("processParagraphViaXML Error: {0}", e);
}
}4、开始ParserXMLText内容（基于org.w3c.dom.Document）
private String parserXML(String originalXml, Map<String, String> formulaMap)
throws IOException, SAXException, ParserConfigurationException, TransformerException {
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
factory.setNamespaceAware(true); // 启用命名空间支持
DocumentBuilder builder = factory.newDocumentBuilder();
org.w3c.dom.Document doc = builder.parse(new ByteArrayInputStream(originalXml.getBytes()));
// 查找m:oMath节点（使用命名空间）
NodeList oMathNodes = doc.getElementsByTagNameNS("http://schemas.openxmlformats.org/officeDocument/2006/math", "oMath");
Map<Element,Node> map = new HashMap<>();
for (int i = 0; i < oMathNodes.getLength(); i++) {
Node oMathNode = oMathNodes.item(i);
Element rElement = doHandleElement(oMathNode, doc);
map.put(rElement, oMathNode);
}
map.forEach((rElement, oMathNode) -> oMathNode.getParentNode().replaceChild(rElement, oMathNode));
return docmentToString(doc);
}5、处理Node节点，并且找到oMath节点后转换为Latex，将Latex替换掉oMath节点后产生新的xmlText
private Element doHandleElement(Node oMathNode, org.w3c.dom.Document doc) throws TransformerException {
// 保存原始公式内容（简化处理，实际可能需要更复杂的序列化）
String formulaContent = nodeToString(oMathNode);
if(questionMathReader==null){
questionMathReader = new QuestionMathReader2();
}
log.debug("formulaContent:{}", formulaContent);
String latexContent = questionMathReader.convertFromMmlToLatex(formulaContent);
log.debug("LatexContent:{}", latexContent);
// 创建新的文本节点
Text textNode = doc.createTextNode("<KatexText value=\""+latexContent+"\"></KatexText>");
// 创建新的w:r节点（Word中的文本需要包装在r中）
Element rElement = doc.createElementNS("http://schemas.openxmlformats.org/wordprocessingml/2006/main", "w:r");
Element tElement = doc.createElementNS("http://schemas.openxmlformats.org/wordprocessingml/2006/main", "w:t");
tElement.appendChild(textNode);
rElement.appendChild(tElement);
return rElement;
}
// 辅助方法：将 Node 转换为 XML 字符串
private String nodeToString(Node node) throws TransformerException {
TransformerFactory tf = TransformerFactory.newInstance();
Transformer transformer = tf.newTransformer();
transformer.setOutputProperty(OutputKeys.OMIT_XML_DECLARATION, "yes");
StringWriter writer = new StringWriter();
transformer.transform(new DOMSource(node), new StreamResult(writer));
return writer.toString();
}6、将org.w3c.dom.Document转换为字符串
private static String docmentToString(org.w3c.dom.Document doc) throws TransformerException {
// 将修改后的DOM转换回XML字符串
TransformerFactory transformerFactory = TransformerFactory.newInstance();
Transformer transformer = transformerFactory.newTransformer();
transformer.setOutputProperty(OutputKeys.OMIT_XML_DECLARATION, "yes");
transformer.setOutputProperty(OutputKeys.INDENT, "no");
StringWriter writer = new StringWriter();
transformer.transform(new DOMSource(doc), new StreamResult(writer));
return writer.toString();
}7、将新的xmlText设置到XWPFParagraph，将XWPFDocument持久化成新的word文档
// 处理XML，替换公式
String newXml = parserXML(originalXml, formulaMap);
// 用新的XML替换原来的段落内容
CTP newCtp = CTP.Factory.parse(newXml);
paragraph.getCTP().set(newCtp);8、还一个main函数也一起贴一下
public static void main(String[] args) throws IOException {
QuestionMathReplace2 extractor = new QuestionMathReplace2();
// 执行提取并替换公式
Map<String, String> formulaMap = extractor.extractAndReplaceFormulas(
Files.newInputStream(Paths.get("F://test_source.docx")),
"F://test_target.docx"
);
// 输出映射关系
for (Map.Entry<String, String> entry : formulaMap.entrySet()) {
System.out.println(entry.getKey() + " => " + entry.getValue());
}
}9、运行一下，看一下控制台
10、最后看一下生成的word文件
以上就是Java按顺序提取Word内容的方法步骤(文本+数学公式)的详细内容，更多关于Java按顺序提取Word内容的资料请关注脚本之家其它相关文章！