前置了解
这里仅说明以docx后缀的word文件，doc文件似乎用的是另一个api，不是很了解。
首先在使用poi之前，需要了解word.docx的存储方式。右键word文档，我们可以发现选项中是有打开压缩包等选项的。解压缩后文件夹格式如下：
-word
-_rels
- .rels
-customXml
...
-docProps
...
-media
- 1.png
- 2.png
- ...
-word
...
- document.xml
...
[Content_Types].xml
其中我们需要关注的主要是media文件夹，它下面是该word文档中所有的图片；以及word文件夹下的document.xml，该xml文件统领全局，包括了word文档中的文字、格式、图片的引用等等。
使用poi
如果使用maven的话，可以添加如下引用：
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>3.17</version>
</dependency>
如果需要处理word中的数学公式，那么还需要添加：
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>ooxml-schemas</artifactId>
<version>1.0</version>
</dependency>
document
首先是获取文档的内容，XWPFDocument document = new XWPFDocument(new FileInputStream(filePath));
接下来说下document的整体格式。
此时我们获取的document，很大程度上就是对应了之前word文件夹下的document.xml文件，我们之后也会很多的使用xml的方式来处理word文档。用文本编辑器打开document.xml，这个文件是经过混淆的，我这里使用sublime的插件来进行重新排版。
从document.xml文件可以看到，根节点w:document下紧跟的是w:body，body节点下几乎包括了所有的文件信息。body下是三种节点：
1.<w:sectPr>:该节点下定义了该word文档的整体信息，包括页眉页脚的引用，你可以在解压后的word文件夹下找到页眉页脚的定义。另外也包括了页面的大小。这一部分我在使用过程中不需要获取，具体内容也不是很了解。可以在复制新的document时使用document方法直接整体set进去（如果不需要获取格式内容的话，接下来的段落、表格及它们内部的节点同理，格式部分直接用原来的设置）；
2.<w:p>：段落，对应XWPFParagraph。段落下主要也有三个节点
1.<w:pPr>与sectPr同理，格式部分内容，接下来的各部分的格式部分就不在重复了，基本上每一个节点都拥有一个属性，对应poi中的一个类
2.<w:run>run标签，对应XWPFRun，是段落中格式相同的一部分内容，主要包括了属性部分，图片部分，文字部分。也就是说，一个段落中如果有多个格式的文字，或是图片，那么该段落节点下相应的就会有多个run标签。
--------1.文字部分：在text标签下，设置和获取都很简单，相应对象中有直接的方法
--------2.图片部分：<w:drawing>标签，对应XWPFPictureData。需要注意的是，word中每一张图片都对应一个Id：
<pic:blipFill>
<a:blip cstate="print" r:embed="rId15"/>
<a:stretch>
<a:fillRect/>
</a:stretch>
</pic:blipFill>
找到其中的该部分内容，其中我们可以得到该图片的id为rId15，我们可以直接通过XWPFPictureData picture = document.getPictureDataByID(id);来获取指定的图片，获取id的方法放到文章末尾。这个picture拥有getBytes方法，之后想怎么做就看你了=。=另外网上有同学说可能有另一种格式来保存图片，不过我在使用过程中未遇到该种情况，所以不细述。
3.<m:oMath>公式部分，需要添加文章开头的依赖，对应CTOMath。如果不需要获取公式的话可以跳过。如果大家需要用到公式的话，很可能就需要将他用pandoc将其转成latex格式。我在使用过程中遇到的问题是部门老大的mac无法读取word中的公式部分，以及在使用pandoc转文件格式时会忽略其中的公式，而在windows下是能够正常通过word查看的。最后发现是该部分标签放在的run标签下，这导致了这两个问题。所以我当时需要做的很简单，遍历run标签内元素，遇到公式，将run标签内的公式部分删去，获取父段落，添加到与run标签同级。遍历部分与获取图片的id方法一样，在最后说。
3.<w:tab>表格，对应XWPFTable。表格内除了格式属性外，就是每一行，下面是列，单元格，我们在阅读word文档时可以发现，每一个单元格的内容后都有一个回车符号，这是因为单元格下就是使用<w:p>段落来存储的，所以知道了上面知识，表格也就简单了。
遍历
接下来说下遍历的方法。如果仅仅需要段落、图片或是表格的一种，那么XWPFDocument下有直接的方法来获取；如果需求相对复杂的话，使用XWPFDocument:getBodyElements获取所有元素。通过instanceof判断格式。对于具体的，可以通过：
target.getCTR().setRPr(source.getCTR().getRPr());
XmlCursor cursor = source.getCTR().newCursor();
cursor.selectPath("./*");
while (cursor.toNextSelection()) {
XmlObject xmlObject = cursor.getObject();
if (xmlObject instanceof CTText) {
CTText ctText = (CTText) xmlObject;
target.setText(ctText.getStringValue());
} else if (xmlObject instanceof XmlAnyTypeImpl) {
CTOMath ctoMath = paragraph.getCTP().addNewOMath();
ctoMath.set(xmlObject);
}
}
来进行，上述是我复制run标签并删除run内部的段落的部分代码，可以简单参考下。其中公式在run内部时的class类型是XmlAnyTypeImpl。cursor.selectPath("./*");的意思是获取所有子元素。
End
那么文档部分就简单讲到这了，poi中具体的方法还是需要大家自己探索了。祝大家新年快乐！
