Java按顺序提取Word内容的方法步骤(文本+数学公式)

 更新时间:2025年09月26日 10:15:26   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!

相关文章

  • 利用java实现邮箱群发功能

    利用java实现邮箱群发功能

    这篇文章主要为大家详细介绍了利用java实现邮箱群发功能,具有一定的参考价值,感兴趣的小伙伴们可以参考一下
    2017-12-12
  • springcloud组件技术分享(推荐)

    springcloud组件技术分享(推荐)

    Spring Cloud 是一系列框架的有序集合,它利用 Spring Boot 的开发便利性简化了分布式系统的开发,比如服务发现、服务网关、服务路由、链路追踪等。这篇文章主要介绍了springcloud组件技术分享,需要的朋友可以参考下
    2020-10-10
  • Java函数式编程(四):在集合中查找元素

    Java函数式编程(四):在集合中查找元素

    这篇文章主要介绍了Java函数式编程(四):在集合中查找元素,本文是系列文章的第4篇,其它篇章请参阅相关文章,需要的朋友可以参考下
    2014-09-09
  • Java中如何调用cmd压缩文件

    Java中如何调用cmd压缩文件

    以下是对Java调用cmd压缩文件的实现方法进行了分析介绍,需要的朋友可以参考下
    2013-07-07
  • Druid关闭监控页面关闭不了的问题及解决

    Druid关闭监控页面关闭不了的问题及解决

    这篇文章主要介绍了Druid关闭监控页面关闭不了的问题及解决方案,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2024-05-05
  • 详解Java Selenium中的鼠标控制操作

    详解Java Selenium中的鼠标控制操作

    本文主要讲解如何用java Selenium 控制鼠标在浏览器上的操作方法。主要列举的代码示例,大家可以自己上代码执行操作看效果,希望对大家有所帮助
    2023-01-01
  • windows10 JDK安装及配置环境变量与Eclipse安装教程

    windows10 JDK安装及配置环境变量与Eclipse安装教程

    这篇文章主要介绍了windows10 JDK安装及配置环境变量与Eclipse安装,本文图文并茂给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
    2019-10-10
  • java中关于getProperties方法的使用

    java中关于getProperties方法的使用

    这篇文章主要介绍了java中关于getProperties方法的使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教
    2023-12-12
  • java代理模式(jdk proxy)

    java代理模式(jdk proxy)

    代理(Proxy)是一种设计模式,提供了对目标对象另外的访问方式;这篇文章主要介绍了Java 中的三种代理模式,需要的朋友可以参考下,希望能帮助到你
    2021-07-07
  • 最新版Spring Security中的路径匹配方案

    最新版Spring Security中的路径匹配方案

    在 Spring Security 中,路径匹配是权限控制的核心部分,它决定了哪些请求可以访问特定的资源,本文将详细介绍 Spring Security 中的路径匹配策略,并提供相应的代码示例,需要的朋友可以参考下
    2024-04-04

最新评论