如何在Java中提取Word文档内嵌文档的数据-java教程-PHP中文网

如何在Java中提取Word文档内嵌文档的数据

本文介绍使用aspose.words for java提取word文档中ole嵌入对象（如excel表格、pdf、word子文档等）原始数据的方法，重点说明如何识别shape节点中的oleformat并导出其内容。

本文介绍使用aspose.words for java提取word文档中ole嵌入对象（如excel表格、pdf、word子文档等）原始数据的方法，重点说明如何识别shape节点中的oleformat并导出其内容。

在Aspose.Words的文档对象模型（DOM）中，所有嵌入式OLE对象（例如嵌入的Excel工作表、PowerPoint幻灯片或另一个Word文档）均以Shape节点形式存在，而非独立的文档节点。因此，单纯遍历NodeCollection时无法直接获取其内部数据——必须通过Shape.getOleFormat()判断并提取。

识别与提取嵌入对象的关键步骤

遍历文档中的Shape节点：使用Document.getChildNodes(NodeType.SHAPE, true)获取全部形状节点；
检查OLE格式支持：调用shape.getOleFormat()，若返回非null，则该Shape包含嵌入对象；
获取原始数据：通过oleFormat.getData()获取字节数组形式的原始嵌入内容（即OLE包内存储的原始文件流）；
可选：获取对象类型与显示名称：oleFormat.getProgId()返回程序ID（如 "Excel.Sheet.12"），oleFormat.getSuggestedExtension()可辅助推断文件扩展名。

以下为完整示例代码：

java后端编程

专用于 Java Spring Boot 后端开发的专业技能。当用户提出以下需求时，应调用此技能：构建 REST API、创建 Spring Boot 项目、编写 Java 后端服务、配置数据库访问（JPA / MyBatis）、处理认证与授权（Spring Security / JWT）、实现微服务架构（Spring Cloud）、排查 Spring Boot 相关错误、审查 Java 代码质量，或执行任何与 Spring Boot / Java 后端相关的任务。

下载

import com.aspose.words.*;

public class ExtractEmbeddedOleObjects {
    public static void main(String[] args) throws Exception {
        Document doc = new Document("sample.docx");
        NodeCollection shapes = doc.getChildNodes(NodeType.SHAPE, true);

        int idx = 0;
        for (Node node : shapes) {
            Shape shape = (Shape) node;
            OleFormat oleFormat = shape.getOleFormat();

            if (oleFormat != null && oleFormat.getData() != null) {
                byte[] embeddedData = oleFormat.getData();
                String progId = oleFormat.getProgId(); // e.g., "Word.Document.12", "Excel.Sheet.12"
                String ext = oleFormat.getSuggestedExtension(); // e.g., ".docx", ".xlsx"

                // 保存嵌入文件（注意：需根据progId/extension选择正确解析方式）
                String fileName = "embedded_" + idx++ + ext;
                Files.write(Paths.get(fileName), embeddedData);
                System.out.printf("Extracted OLE object [%s] → %s (%d bytes)%n", 
                    progId, fileName, embeddedData.length);
            }
        }
    }
}

⚠️ 重要注意事项：

OleFormat.getData() 返回的是原始OLE复合文档流（Compound File Binary Format），并非解包后的纯文件。对于常见格式（如Excel、Word），可直接保存为.xlsx/.docx并被对应软件打开；但部分嵌入对象（如自定义控件或旧版二进制格式）可能需额外解析；
若需进一步操作嵌入文档内容（如读取Excel单元格），应结合专用库（如Apache POI处理.xlsx，Aspose.Cells处理OLE嵌入的Excel）进行二次解析；
OleFormat.isLink() 可区分“嵌入”与“链接”对象，仅对嵌入对象（isLink() == false）调用 getData() 才有意义；
Aspose.Words 不提供自动解包OLE容器的功能，开发者需自行处理字节流或委托给其他工具链。

综上，Aspose.Words提供了稳定可靠的OLE对象识别与原始数据提取能力，是Java环境下处理Word嵌入文档的核心方案。合理结合OleFormat属性与下游解析库，即可构建健壮的文档内容抽取流程。