Java: 从 Word 文档中提取文本和图像

在 Java 开发项目中，处理 Microsoft Word 文档是常见场景。例如，内容管理系统需要批量解析文档文本用于搜索索引，数据迁移工具需分离图像以便独立存储，或内容分析应用要提取素材进行二次加工。此时，从 Word 文件中精确提取文本和图像就显得尤为重要。

本文介绍如何借助 Spire.Doc for Java 库实现这一功能。该库提供文档加载、对象遍历和元素提取的 API，支持 DOC 和 DOCX 等格式，无需安装 Microsoft Office，即可完成操作。以下内容以开发者视角，逐步说明实现步骤，附带完整可运行代码。

1. 环境准备

确保开发环境为 JDK 8 或更高版本。推荐使用 Maven 管理依赖，在 pom.xml 中添加以下配置：

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>

<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.doc</artifactId>
        <version>14.3.1</version>
    </dependency>
</dependencies>

若不使用 Maven，可从官方站点下载 Spire.Doc.jar 并添加到项目 classpath。准备好测试文档，例如 sample.docx，其中包含普通文本、标题和嵌入图像。

2. 提取文本

提取文本的核心是加载文档后调用 getText() 方法，该方法会返回文档中所有可见文本内容（包括正文、页眉、页脚等），以字符串形式呈现。后续可将其保存为 .txt 文件或进一步处理（如分词、存储到数据库）。

完整示例代码如下：

import com.spire.doc.Document;
import java.io.FileWriter;
import java.io.IOException;

public class ExtractTextFromWord {
    public static void main(String[] args) throws IOException {
        // 创建 Document 对象并加载 Word 文档
        Document document = new Document();
        document.loadFromFile("sample.docx");

        // 获取文档全部文本
        String text = document.getText();

        // 保存为 TXT 文件
        writeStringToTxt(text, "extracted_text.txt");

        System.out.println("文本提取完成，已保存至 extracted_text.txt");
    }

    private static void writeStringToTxt(String content, String txtFileName) throws IOException {
        try (FileWriter writer = new FileWriter(txtFileName)) {
            writer.write(content);
        }
    }
}

说明：

• loadFromFile() 支持绝对路径或相对路径，自动识别 DOC/DOCX。
• getText() 返回的字符串已去除大部分控制字符，但保留换行和空格。
• 使用 try-with-resources 关闭流，避免资源泄漏。
  若只需提取特定部分（如仅正文），可遍历 document.getSections() 和 Paragraph 对象，自定义过滤逻辑。

运行后，extracted_text.txt 即包含完整文本，可直接用于后续业务处理。

3. 提取图像

Word 文档中的图像以 DocPicture 对象形式存在，可能嵌套在段落、文本框、表格或页眉中。因此不能简单遍历顶层元素，而需采用广度优先搜索（BFS）遍历整个文档对象树。

核心步骤：

1. 加载文档。
2. 使用队列存储复合对象（ICompositeObject），从根节点 Document 开始遍历。
3. 遇到子节点为 Picture 类型时，提取 BufferedImage 并保存。

完整代码如下：

import com.spire.doc.*;
import com.spire.doc.documents.*;
import com.spire.doc.fields.*;
import com.spire.doc.interfaces.*;
import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.File;
import java.io.IOException;
import java.util.*;

public class ExtractImagesFromWord {
    public static void main(String[] args) throws IOException {
        // 加载文档
        Document document = new Document();
        document.loadFromFile("sample.docx");

        // BFS 遍历队列
        Queue<ICompositeObject> nodes = new LinkedList<>();
        nodes.add(document);

        // 存储提取的图像
        List<BufferedImage> images = new ArrayList<>();

        // 遍历文档树
        while (!nodes.isEmpty()) {
            ICompositeObject node = nodes.poll();
            for (int i = 0; i < node.getChildObjects().getCount(); i++) {
                IDocumentObject child = node.getChildObjects().get(i);
                if (child instanceof ICompositeObject) {
                    // 复合对象继续入队
                    nodes.add((ICompositeObject) child);
                } else if (child.getDocumentObjectType() == DocumentObjectType.Picture) {
                    // 提取图像
                    DocPicture picture = (DocPicture) child;
                    images.add(picture.getImage());
                }
            }
        }

        // 保存所有图像（确保 output 目录存在）
        File outputDir = new File("output");
        if (!outputDir.exists()) {
            outputDir.mkdirs();
        }
        for (int i = 0; i < images.size(); i++) {
            File file = new File(outputDir, String.format("image_%d.png", i));
            ImageIO.write(images.get(i), "PNG", file);
            System.out.println("已保存图像: " + file.getName());
        }

        System.out.println("共提取 " + images.size() + " 张图像");
    }
}

说明：

• 使用 LinkedList 实现队列，实现 BFS 遍历，确保所有嵌套图像都被发现。
• DocumentObjectType.Picture 是判断图像的关键枚举。
• ImageIO.write() 支持 PNG、JPG 等格式，可根据 picture.getImageType() 动态选择。
• 建议提前创建 output 目录，或添加 mkdirs() 逻辑。

该方法能完整提取文档内所有独立图像，包括形状中嵌入的图片。

4. 注意事项与最佳实践

• 异常处理：实际项目中应包裹 loadFromFile 和 ImageIO 操作，捕获 IOException 和 Exception。
• 性能：对于超大文档（数百页），遍历过程耗时可接受，但建议分批处理或增加进度提示。
• 格式支持：同时兼容 .doc（旧版）和 .docx（新版）。
• 权限与路径：确保程序对输入文件有读取权限，对输出目录有写入权限。
• 进一步扩展：可结合 Paragraph.getChildObjects() 实现按章节提取，或将图像直接转换为 Base64 用于 Web 展示。
• 许可证：免费版存在功能限制（如水印），生产环境建议评估商业版需求。

5. 总结

通过 Spire.Doc for Java 的 Document、ICompositeObject 和 DocPicture 等 API，从 Word 文档中提取文本和图像变得简洁高效。上述两个示例只需几十行代码即可运行，适合快速集成到各类 Java 项目中。开发者可根据实际业务，在此基础上扩展为批量处理、按条件过滤或结合其他库（如 Apache Tika 做进一步解析）。

完整代码可直接复制到 IDE 测试，建议准备不同结构的 Word 样本文档验证效果。掌握这一技能后，Word 文档处理将不再是开发瓶颈。