最近需求是写一个将docx和doc解析后转换为json格式输入到json临时文件中的功能，然后前端读取json文件去渲染做到和文档内容一致，在这里归纳下难点，以及国内网站基本没有相关demo的点。

首先先说下docx和doc的区别吧，区别实际上就是一个好用而另一个反人类，现在创建一个新的文档，office都不会给你选择，直接默认docx，除非你另存为doc或者直接修改后缀，这样的原因是doc这种二进制存储的玩意过于反人类：
docx文件修改后缀为zip后解压，你可以在这个文件夹里面看到所有文档内容信息，样式，图片之类的，doc的话相同操作你啥都看不到。这样就导致你使用poi解析docx和doc的难易程度完全差得十万八千里。

另外poi用来解析doc的hwpf包也写的很乱，对比poi用来解析docx的xwpf包来说，xwpf包看底层会有方法说明，而且命名方式可以让你就算没有方法说明，大致也很容易看得懂这个方法用来干什么的，但是hwpf包就不一样，一堆枚举，方法也很凌乱，阿帕奇官网对于方法的说明几乎没有，再加上国内使用poi的本来就少，大多直接用阿里的poi-tl之类的，而且用poi解析文档的更是少之又少，大多资料都是解析excel的，少之又少里面大多又是解析docx的，doc的又是又是少之又少。希望自己接下来的一些补充能够在国内论坛里贡献一点资料吧（虽然很冷门，但是希望以后有和我做一样事情的程序员能少走点弯路）

最后因为我应届入职不久，代码可能比较稚嫩，希望能给你带来帮助，轻喷。

首先说下docx，doc的解析难点吧。

首先我觉得比较偏门资料比较少的有五个：

一个是解析公式，我所做的需求是将公式转换为latex字符串储存，就是比如将下图这种转换为一个字符串：
x=\frac{-b\pm \sqrt{{b}^{2}-4ac}}{2a}

二是遍历docx文档。单独解析不同的模块，如解析出文档里所有的图片，解析文档中所有表格，解析文档中的所有的文本，这很简单，docx这些方法csdn或者博客园都能找到。但是，这些解析出来的数据结构是没有定位的，你不知道图片与段落之间的关系，表格与段落之间的关系，题注与图片的位置关系。所以你必须要从头到尾去遍历，才能够知道这些之间的位置关系。

三是遍历doc文档，相信我，这个比docx的遍历冷门的多，自己不断尝试的方法摸索出来的，可能还没达到普遍性，但是基本能泛用。

四是将docx和doc文档中的复杂表格转换为html字符串，这个也很冷门，网上资料大多是整个文档全转为html，或者是读取简单地，方方正正，n*m的表格，没有单独处理复杂表格转换为html的的。
主要思路是解析后通过自己写的方法拼接为html，docx的表格转html字符串是在网上找的，poi解析docx用的xwpf包里面对于表格有专门的类读取它的信息，能够得到很完善的表格信息，所以拼接简单，poi解析doc所用的hwpf包解析doc中的表格，没有这些东西，所以很难读取解析复杂表格后拼接为html。这个后面会单独说。

五是编号列表，docx的编号列表网上能找到，但是也很冷门那种，太难找了，而doc的网上根本就没有，方法是靠自己看hwpf底层加上不断测试以及阅读office官网给的一些doc文档信息写出来的。

这里要说一下：docx文档和doc文档实际上是没有存储编号的文本的。

查了下相关资料，说列表段落的编号文本不是硬编码，所以你去文档底层里面是找不到具体的文本内容。xwpf读取docx中列表段落的编号的文本内容是在csdn上找到的，而doc是自己摸索加上office官方给的文档结合推导出来的方法，但是方式都是大同小异，都不是通过poi直接读出来的，而是通过poi获取相关信息，然后在方法里面匹配后进行拼接，从而获取对应的列表段落的编号文本内容，类似于下列图中所示的编号内容：如1. 1） a) 等。

这些都是比较冷门的读取，至少我在做的时候很多都找不到，stack over flow上去询问也很多都没解决，有的是靠自己测试得出的结果。

有时间会将代码上传github并且分享相关jar包，jar包的功能是给要解析的docx文件路径或doc文件路径，以及输出临时文件位置（本来是只要给文件路径，自动生成一个temp文件夹在jar包相同的目录下，然后在temp文件夹下生成相应的解析后的json临时文件，但是老大不让这么做），生成的json文件是顺序从头到尾的，前端解析后渲染就可以复原这个文档内容，文本样式什么都有。