java解析word文档，word文档为数学试卷，可以解析公式转存pbg格式

package com.wcpdoc.exam.exam.utils;


import java.io.BufferedWriter;
import java.io.ByteArrayOutputStream;
import java.io.File;  
import java.io.FileInputStream;  
import java.io.FileNotFoundException;  
import java.io.FileOutputStream;  
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;  
import java.io.OutputStreamWriter;  
import java.io.PrintWriter;
import java.util.ArrayList;
import java.util.Date;
import java.util.List;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import java.util.zip.GZIPOutputStream;


import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;


import org.apache.commons.lang.StringUtils;
import org.apache.poi.hwpf.HWPFDocument;  
import org.apache.poi.hwpf.model.PicturesTable;  
import org.apache.poi.hwpf.usermodel.CharacterRun;  
import org.apache.poi.hwpf.usermodel.Picture;  
import org.apache.poi.hwpf.usermodel.Range;  
import org.apache.poi.hwpf.usermodel.Paragraph;     
import org.apache.poi.hwpf.usermodel.Table;     
import org.apache.poi.hwpf.usermodel.TableCell;     
import org.apache.poi.hwpf.usermodel.TableIterator;     
import org.apache.poi.hwpf.usermodel.TableRow;
import org.w3c.dom.Document;


import com.wcpdoc.exam.exam.entity.Question;


import net.arnx.wmf2svg.gdi.svg.SvgGdi;
import net.arnx.wmf2svg.gdi.wmf.WmfParser;  




/**
 *


 * @Description:Word试卷文档模型化解析


 * @author Thos 42  * @ClassName: WordToHtml 44  * @version V1.0
 *
 */
public class WordUtils {


    /**
     * 回车符ASCII码
     */
    private static final short ENTER_ASCII = 13;


    /**
     * 空格符ASCII码
     */
    private static final short SPACE_ASCII = 32;


    /**
     * 水平制表符ASCII码
     */
    private static final short TABULATION_ASCII = 9;


    public static String htmlText = "";
    public static String htmlTextTbl = "";
    public static int counter=0;
    public static int beginPosi=0;
    public static int endPosi=0;
    public static int beginArray[];
    public static int endArray[];
    public static String htmlTextArray[];
    public static boolean tblExist=false;


    public static final String inputFile="D:/kaoshi/gongshi/111222.doc";
    public static final String htmlFile="D:/kaoshi/gongshi/abc.html";


    public static void main(String argv[])
    {        
        try {
            getWordAndStyle(inputFile);
        } catch (Exception e) {
            e.printStackTrace();
        }
    }


    /**
     * word文档图片存储路径
     * @return
     */
    public static String wordImageFilePath(){


        return  "D:/kaoshi/gongshi"+ DateFormatUtil.formatDate(new Date());
    }


    /**
     *  word文档图片Web访问路径
     * @return
     */
    public static String wordImgeWebPath(){


        return "D:/kaoshi/gongshi"+ DateFormatUtil.formatDate(new Date())+"/";
    }


    /**
     * 读取每个文字样式
     * 
     * @param fileName
     * @throws Exception
     */




    public static List getWordAndStyle(String fileName) throws Exception {
    System.out.println(fileName);
        FileInputStream in = new FileInputStream(new File(fileName));
        HWPFDocument doc = new HWPFDocument(in);
        Range rangetbl = doc.getRange();//得到文档的读取范围   
        TableIterator it = new TableIterator(rangetbl); 
        int num=100;         


        beginArray=new int[num];
        endArray=new int[num];
        htmlTextArray=new String[num];


        // 取得文档中字符的总数
        int length = doc.characterLength();
        // 创建图片容器
        PicturesTable pTable = doc.getPicturesTable();


        htmlText = doc.getSummaryInformation().getTitle();
        // 创建临时字符串,好加以判断一串字符是否存在相同格式


        if(it.hasNext())
        {
            readTable(it,rangetbl);
        }


        int cur=0;


        String tempString = "";
        for (int i = 0; i < length - 1; i++) {
            // 整篇文章的字符通过一个个字符的来判断,range为得到文档的范围
            Range range = new Range(i, i + 1, doc);


            CharacterRun cr = range.getCharacterRun(0); 
            
            if(tblExist)
            {
                if(i==beginArray[cur])
                {         
                    htmlText+=tempString+htmlTextArray[cur];
                    tempString="";
                    i=endArray[cur]-1;
                    cur++;
                    continue;
                }
            }
            if (pTable.hasPicture(cr)) {
                htmlText +=  tempString ;                
                // 读写图片                
                readPicture(pTable, cr);
                tempString = "";                
            } 
            else {


                Range range2 = new Range(i + 1, i + 2, doc);
                // 第二个字符
                CharacterRun cr2 = range2.getCharacterRun(0);
                char c = cr.text().charAt(0);
                // 判断是否为空格符
                if (c == SPACE_ASCII)
                    tempString += " ";
                // 判断是否为水平制表符
                else if (c == TABULATION_ASCII)
                    tempString += "    ";
                // 比较前后2个字符是否具有相同的格式
                boolean flag = compareCharStyle(cr, cr2);
                if (flag&&c !=ENTER_ASCII)
                    tempString += cr.text();
                else {
                    htmlText += tempString + cr.text();
                    tempString = "";
                }
                // 判断是否为回车符
                if (c == ENTER_ASCII)
                    htmlText += "
";
                
            }
        }


        htmlText += tempString;
        //生成html文件
        writeFile(htmlText);
        System.out.println("------------WordToHtml转换成功----------------");
        //word试卷数据模型化
        
        System.out.println("------------WordToHtml模型化成功----------------");
        return analysisHtmlString(htmlText);
    }


    /**
     * 读写文档中的表格
     * 
     * @param pTable
     * @param cr
     * @throws Exception
     */
    public static void readTable(TableIterator it, Range rangetbl) throws Exception {


        htmlTextTbl="";
        //迭代文档中的表格  


        counter=-1;
        while (it.hasNext()) 
        { 
            tblExist=true;
            htmlTextTbl="";
            Table tb = (Table) it.next();    
            beginPosi=tb.getStartOffset() ;
            endPosi=tb.getEndOffset();


            //System.out.println("............"+beginPosi+"...."+endPosi);
            counter=counter+1;
            //迭代行，默认从0开始
            beginArray[counter]=beginPosi;
            endArray[counter]=endPosi;


            htmlTextTbl+="";
            for (int i = 0; i < tb.numRows(); i++) {      
                TableRow tr = tb.getRow(i);   


                htmlTextTbl+="";
                //迭代列，默认从0开始   
                for (int j = 0; j < tr.numCells(); j++) {      
                    TableCell td = tr.getCell(j);//取得单元格
                    int cellWidth=td.getWidth();


                    //取得单元格的内容   
                    for(int k=0;k                        Paragraph para =td.getParagraph(k);      
                        String s = para.text().toString().trim();   
                        if(s=="")
                        {
                            s=" ";
                        }
                        htmlTextTbl += "";
                    }       
                }      
            }   
            htmlTextTbl+="

"+s+"

" ;    
            htmlTextArray[counter]=htmlTextTbl;


        } //end while 
    }    


    /**
     * 读写文档中的图片
     * 
     * @param pTable
     * @param cr
     * @throws Exception
     */
    public static void readPicture(PicturesTable pTable, CharacterRun cr) throws Exception {
        // 提取图片
        Picture pic = pTable.extractPicture(cr, false);
        // 返回POI建议的图片文件名
        String afileName = pic.suggestFullFileName();
        String suffix = afileName.substring(afileName.lastIndexOf(".")+1);
        String prefix = afileName.substring(0, afileName.lastIndexOf("."));
        File file = new File(wordImageFilePath());
        System.out.println(file.mkdirs());
        OutputStream out = new FileOutputStream(new File( wordImageFilePath()+ File.separator + afileName));
        pic.writeImageContent(out);
        if(suffix.equals("wmf")){
        convert(wordImgeWebPath()+afileName, wordImgeWebPath()+prefix+".svg");
        SVGUtils svgUtils = new SVGUtils();
        svgUtils.svg2PNG(new File(wordImgeWebPath()+prefix+".svg"), new File(wordImgeWebPath()+prefix+".png"));
        afileName = prefix+".png";
        htmlText += "";
        }else{
        htmlText += "";
        }
        
    }
  


    public static void convert(String file,String dest){ 
try{
InputStream in = new FileInputStream(new File(file));
        WmfParser parser = new WmfParser();
        final SvgGdi gdi = new SvgGdi(false);
        parser.parse(in, gdi);
        Document doc = gdi.getDocument();
        OutputStream out = new FileOutputStream(dest);
        if (dest.endsWith(".svgz")) {
            out = new GZIPOutputStream(out);
        }
        output(doc, out);
}
catch(Exception e){
System.out.println("edn?????"+e.getMessage());
}
   }
    public static void output(Document doc, OutputStream out) throws Exception {
        TransformerFactory factory = TransformerFactory.newInstance();
        Transformer transformer = factory.newTransformer();
        transformer.setOutputProperty(OutputKeys.METHOD, "xml");
        transformer.setOutputProperty(OutputKeys.ENCODING, "UTF-8");
        transformer.setOutputProperty(OutputKeys.INDENT, "yes");
        transformer.setOutputProperty(OutputKeys.DOCTYPE_PUBLIC,"-//W3C//DTD SVG 1.0//EN");
        transformer.setOutputProperty(OutputKeys.DOCTYPE_SYSTEM,"http://www.w3.org/TR/2001/REC-SVG-20010904/DTD/svg10.dtd");
        transformer.transform(new DOMSource(doc), new StreamResult(out));
        ByteArrayOutputStream bos = new ByteArrayOutputStream();
        transformer.transform(new DOMSource(doc), new StreamResult(bos));
        out.flush();
        out.close();
}
    public static boolean compareCharStyle(CharacterRun cr1, CharacterRun cr2) 
    {
        boolean flag = false;
        if (cr1.isBold() == cr2.isBold() && cr1.isItalic() == cr2.isItalic() && cr1.getFontName().equals(cr2.getFontName()) 
                && cr1.getFontSize() == cr2.getFontSize()&& cr1.getColor() == cr2.getColor()) 
        {
            flag = true;
        }
        return flag;
    }


    /*** 字体颜色模块start ********/
    public static int red(int c) {  
        return c & 0XFF;  
    }  


    public static int green(int c) {  
        return (c >> 8) & 0XFF;  
    }  


    public static int blue(int c) {  
        return (c >> 16) & 0XFF;  
    }  


    public static int rgb(int c) {  
        return (red(c) << 16) | (green(c) << 8) | blue(c);  
    }  


    public static String rgbToSix(String rgb) {  
        int length = 6 - rgb.length();  
        String str = "";  
        while (length > 0) {  
            str += "0";  
            length--;  
        }  
        return str + rgb;  
    }  




    public static String getHexColor(int color) {  
        color = color == -1 ? 0 : color;  
        int rgb = rgb(color);  
        return "#" + rgbToSix(Integer.toHexString(rgb));  
    }  
    /** 字体颜色模块end ******/


    /**
     * 写文件
     * 
     * @param s
     */
    public static void writeFile(String s) {
        FileOutputStream fos = null;
        BufferedWriter bw = null;
        PrintWriter writer = null;
        try {
            File file = new File(htmlFile);
            fos = new FileOutputStream(file);
            bw = new BufferedWriter(new OutputStreamWriter(fos));
            bw.write(s);
            bw.close();
            fos.close();
            //编码转换
            writer = new PrintWriter(file, "GB2312");
            writer.write(s);
            writer.flush();
            writer.close();
        } catch (FileNotFoundException fnfe) {
            fnfe.printStackTrace();
        } catch (IOException ioe) {
            ioe.printStackTrace();
        }


    }


    /**
     * 分析html
     * @param s
     */
    public static List analysisHtmlString(String s){
    String[] split2 = s.split("  EMBED  Equation.DSMT4    ");
    String a = "";
    for (String string : split2) {
    a+=string;
}
    /*for (int i = 0; i < a.length(); i++) {
    char ch = a.charAt(i);
   //如果是无效字符，则替换成空字符
    if ((ch >= 0x00 && ch <= 0x08) || (ch >= 0x0b && ch <= 0x0c) || (ch >= 0x0e && ch <= 0x1f)){
    a = a.replace(ch, ' ');
    }
    }*/
        String q[] = a.split("
[0-9]+、");
        List list = new ArrayList<>();
        for (int i = 1; i < q.length; i++) {
       
        Question question = new Question();
    String[] split = q[i].split("
");
    String ti = split[0].substring(1, 4);
    String timu = split[0].substring(5, split[0].length());
    System.out.println(timu);
    if(ti.equals("单选题") || ti.equals("选择题")){
    question.setType(1);
    }else if(ti.equals("多选题")){
    question.setType(2);
    }else if(ti.equals("填空题")){
    question.setType(3);
    }else if(ti.equals("判断题")){
    question.setType(4);
    }else if(ti.equals("解答题") || ti.equals("问答题") || ti.equals("简答题")){
    question.setType(5);
    }
    question.setTitle("

"+timu+"

");
   
    if(ti.equals("单选题") || ti.equals("选择题")){
    question.setOptionA("

"+split[1].substring(2)+"

");
    question.setOptionB("

"+split[2].substring(2)+"

");
    question.setOptionC("

"+split[3].substring(2)+"

");
    question.setOptionD("

"+split[4].substring(2)+"

");
    question.setAnswer(split[5].substring(split[5].indexOf("：")+1));
    question.setAnalysis("

"+split[6].substring(split[6].indexOf("：")+1)+"

");
    }else{
    question.setAnswer("

"+split[1].substring(split[1].indexOf("：")+1)+"

");
    question.setAnalysis("

"+split[2].substring(split[2].indexOf("：")+1)+"

");
    }
    list.add(question);
}
        return list;
       


       /* LinkedList list = new LinkedList();


        //清除空字符
        for (int i = 0; i < q.length; i++) {
            if(StringUtils.isNotBlank(q[i].toString().replaceAll("]+>","").trim())){


                list.add(q[i].toString().trim());
            }
        }
        String[] result = {};
        String ws[]=list.toArray(result);
        for (String string : ws) {
System.out.println(string);
}
        int singleScore = 0;
        int multipleScore = 0;
        int fillingScore = 0;
        int judgeScore = 0;
        int askScore = 0;
        int singleNum = 0;
        int multipleNum = 0;
        int fillingNum = 0;
        int judgeNum = 0;
        int askNum = 0;*/
        //***********试卷基础数据赋值*********************//*
        /*for (int i = 0; i < ws.length; i++) {
            String delHtml=ws[i].toString().replaceAll("]+>","").trim();//去除html
            if(delHtml.contains("、单选题")){
                String numScore=numScore(delHtml);
                singleNum= Integer.parseInt(numScore.split(",")[0]) ;
                singleScore=Integer.parseInt(numScore.split(",")[1]) ;
            }else if(delHtml.contains("、多择题")){
                String numScore=numScore(delHtml);
                multipleNum= Integer.parseInt(numScore.split(",")[0]) ;
                multipleScore=Integer.parseInt(numScore.split(",")[1]) ;
            }else if(delHtml.contains("、填空题")){
                String numScore=numScore(delHtml);
                fillingNum= Integer.parseInt(numScore.split(",")[0]) ;
                fillingScore=Integer.parseInt(numScore.split(",")[1]) ;
            }else if(delHtml.contains("、判断题")){
                String numScore=numScore(delHtml);
                judgeNum= Integer.parseInt(numScore.split(",")[0]) ;
                judgeScore=Integer.parseInt(numScore.split(",")[1]) ;
            }else if(delHtml.contains("、问答题")){
                String numScore=numScore(delHtml);
                askNum= Integer.parseInt(numScore.split(",")[0]) ;
                askScore=Integer.parseInt(numScore.split(",")[1]) ;
            }


        }
        *//**************word试卷数据模型化****************//*
        List> bigTiMaps = new ArrayList>();
        List> smalMaps = new ArrayList>();
        List> sleMaps = new ArrayList>();
        String htmlText="";
        int smalScore=0;
        for (int j = ws.length-1; j>=0; j--) {
            String html= ws[j].toString().trim();//html格式
            String delHtml=ws[j].toString().replaceAll("]+>","").trim();//去除html
            if(!isSelecteTitele(delHtml)&&!isTitele(delHtml)&&!isBigTilete(delHtml)){//无
                if(isTitele(delHtml)){
                    smalScore=itemNum(delHtml);
                }
                htmlText=html+htmlText;
            }else if(isSelecteTitele(delHtml)){//选择题选择项
                Map sleMap = new HashMap();//选择题选择项
                sleMap.put("选项", delHtml.substring(0, 1));
                sleMap.put("选择项", html+htmlText);
                sleMaps.add(sleMap);
            }else if(isTitele(delHtml)){//小标题
                Map smalMap = new HashMap();//小标题
                smalMap.put("smalTilete", html+htmlText);
                smalMap.put("smalScore", smalScore>0?smalScore+"":itemNum(delHtml)+"");
                smalMap.put("sleMaps", sleMaps);
                smalMaps.add(smalMap);
            }else if(isBigTilete(delHtml)){//大标题
                Map bigTiMap = new HashMap();//大标题
                bigTiMap.put("bigTilete", delHtml.substring(2, 5));
                bigTiMap.put("smalMaps", smalMaps);
                bigTiMaps.add(bigTiMap);
            }    


        }
        for (Map map : sleMaps) {
System.out.println(map.toString());
}*/
    }


    //获取大题-题目数量以及题目总计分数
    public static String numScore(String delHtml){


        String regEx="[^0-9+，|,+^0-9]";   
        Pattern p = Pattern.compile(regEx);   
        Matcher m = p.matcher(delHtml);
        String s=m.replaceAll("").trim();
        if(StringUtils.isNotBlank(s)){
            if(s.contains(",")){
                return s;
            }else if(s.contains("，")){
                return s.replace("，", ",");
            }else{
                return "0,0";
            }
        }else{
            return "0,0";
        }


    }
    //获取每小题分数
    public static int itemNum(String delHtml){
        Pattern pattern = Pattern.compile("（(.*?)）"); //中文括号 
        Matcher matcher = pattern.matcher(delHtml);
        if (matcher.find()&&isNumeric(matcher.group(1))){
            return Integer.parseInt(matcher.group(1));
        }else {
            return 0;
        }
    }
    //判断Str是否是 数字
    public static boolean isNumeric(String str){ 
        Pattern pattern = Pattern.compile("[0-9]*"); 
        return pattern.matcher(str).matches();    
    } 
    //判断Str是否存在小标题号
    public static boolean isTitele(String str){
        Pattern pattern = Pattern.compile("^([\\d]+[-\\、].*)"); 
        return pattern.matcher(str).matches();
    }
    //判断Str是否是选择题选择项
    public static boolean isSelecteTitele(String str){
        Pattern pattern = Pattern.compile("^([a-zA-Z]+[-\\：].*)"); 
        return pattern.matcher(str).matches();
    }
    //判断Str是否是大标题
    public static boolean isBigTilete(String str){
        boolean iso= false ;
        if(str.contains("一、")){
            iso=true;
        }else if(str.contains("二、")){
            iso=true;
        }else if(str.contains("三、")){
            iso=true;
        }else if(str.contains("四、")){
            iso=true;
        }else if(str.contains("五、")){
            iso=true;
        }else if(str.contains("六、")){
            iso=true;
        }else if(str.contains("七、")){
            iso=true;
        }else if(str.contains("八、")){
            iso=true;
        }
        return iso;
    }
}