17370845950

Java读取DOCX文件本质是将其作为ZIP包解析，因DOCX基于OOXML标准，内含document.xml等XML文件；可用Apache POI的XWPFDocument获取PackagePart读取XML流，或用java.util.zip手动解压并解析，须开启命名空间支持。

Java 读取 DOCX 文件中的 XML 内容，本质是把 DOCX 当作 ZIP 压缩包来解析，因为 .docx 是基于 Office Open XML（OOXML）标准的 ZIP 归档，里面包含多个 XML 文件（如 document.xml、styles.xml、header1.xml 等）。

用 Apache POI 解析 document.xml（最常用）

Apache POI 的 XWPF 模块封装了对 DOCX 的读写，但底层仍依赖对 XML 的访问。若需直接操作原始 XML，可结合 POI 获取底层 PackagePart 或手动解压：

• 使用 XWPFDocument 加载文件后，通过 getPackage().getPartsByName(Pattern.compile("word/document\\.xml")) 获取对应 XML 部分
• 调用 getInputStream() 得到 XML 字节流，再用 DocumentBuilder 或 SAXParser 解析成 DOM/SAX 树
• 示例片段：
  
  

  XWPFDocument doc = new XWPFDocument(new FileInputStream("test.docx"));
  
  PackagePart part = doc.getPackage().getPartsByName(Pattern.compile("word/document\\.xml")).get(0);
  
  Document xml = DocumentBuilderFactory.newInstance().newDocumentBuilder().parse(part.getInputStream());
  
  System.out.println(xml.getDocumentElement().getNodeName()); // 通常是 w:document

手动解压 DOCX 并读取任意 XML 文件

DOCX 就是 ZIP，可用 Java 原生 java.util.zip 打开，适合读取 styles.xml、numbering.xml 等非正文内容：

• 用 ZipFile 打开 .docx 文件
• 定位目标路径，如 "word/styles.xml" 或 "word/numbering.xml"
• 用 ZipEntry.getInputStream() 读取 XML 流，再交给 XML 解析器处理
• 注意：XML 中大量使用命名空间（如 w:），解析时需开启命名空间支持（factory.setNamespaceAware(true)）

注意命名空间和标签前缀（w:, r:, a: 等）

Office Open XML 使用严格命名空间，典型前缀有：

• w: 主文档结构（paragraph、run、text）
• r: 关系（hyperlink、image reference）
• a: 绘图（drawing、shape）
• DOM 解析时建议用 getElementsByTagNameNS("http://schemas.openxmlformats.org/wordprocessingml/2006/main", "p") 而非 getElementsByTagName("w:p")

不推荐直接字符串替换或正则解析 XML

XML 结构嵌套深、命名空间敏感、可能含 CDATA 或转义字符，用正则提取文本或标签容易出错：

• 避免：content.replaceAll("(.*?)", "$1") —— 不处理嵌套、命名空间、换行、实体编码
• 应优先使用标准 XML 解析器（DOM/SAX/StAX），配合命名空间处理逻辑
• 若只提取纯文本且不关心格式，用 XWPFDocument.getText() 更简单可靠

基本上就这些。关键点是：DOCX 是 ZIP → XML 在里面 → 用 POI 或原生 ZIP + XML 解析器读取 → 别忽略命名空间。