Apache POI 的 XWPFWordExtractor 默认无法提取文本框、页眉、页脚、脚注、文本域等嵌套结构中的文字；推荐改用 Apache Tika 的 AutoDetectParser，它基于 POI 封装了更全面的内容解析能力，可自动识别并提取 DOCX 中各类文本容器内的全部可读内容。
apache poi 的 `xwpfwordextractor` 默认无法提取文本框、页眉、页脚、脚注、文本域等嵌套结构中的文字；推荐改用 apache tika 的 `autodetectparser`，它基于 poi 封装了更全面的内容解析能力，可自动识别并提取 docx 中各类文本容器内的全部可读内容。
在 Java 应用中处理 .docx 文件时，若仅依赖 XWPFWordExtractor，会遗漏大量非正文区域的文本——例如插入的文本框（XWPFTextBox、甚至某些 SmartArt 或 OLE 对象中的可读文本。这是因为 XWPFWordExtractor 主要面向主文档流（document.xml），未递归解析关系包（_rels/, word/headers.xml, word/textbox.xml 等）中的关联内容。
✅ 推荐方案：使用 Apache Tika（底层复用 POI 并扩展解析逻辑）
Tika 通过 AutoDetectParser 自动识别文件类型，并调用适配的解析器（对 .docx 即 OOXMLParser），其设计目标正是统一、完整、鲁棒地提取任意格式中的全部可读文本，天然支持文本框、页眉页脚、脚注、批注、表格内文本及多语言编码。
✅ 正确实现代码（需添加 Tika 依赖）
<!-- Maven 依赖 --> <dependency><groupid>org.apache.tika</groupid><artifactid>tika-parsers-standard-package</artifactid><version>2.9.2</version><!-- 建议使用最新稳定版 --></dependency>
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.AutoDetectParser;
import org.apache.tika.sax.BodyContentHandler;
public String extractFullText(InputStream inputStream) throws Exception {
AutoDetectParser parser = new AutoDetectParser();
BodyContentHandler handler = new BodyContentHandler(-1); // -1 表示不限制字符数
Metadata metadata = new Metadata();
parser.parse(inputStream, handler, metadata);
return handler.toString().trim();
}
⚠️ 注意事项：
BodyContentHandler(-1)必须显式传入-1，否则默认截断为 100,000 字符，导致长文档内容丢失；- 输入流需支持
mark()/reset()（如ByteArrayInputStream或已缓冲的BufferedInputStream），否则 Tika 可能因多次读取失败而抛出异常；- 若需保留基础元信息（如标题、作者），可从
metadata中获取：metadata.get("title")；- Tika 会自动处理编码、字体映射、隐藏文本过滤（可通过
ParseContext配置行为）。
? 补充说明：为什么 XWPFWordExtractor 不够用？
XWPFWordExtractor 本质是“主文档流快照提取器”，其 getText() 方法仅遍历 XWPFDocument.getBodyElements()，跳过：
- 所有
XWPFHeader/XWPFFooter实例（页眉页脚）； -
XWPFTextBox及其子段落（文本框内容）； -
XWPFFootnote/XWPFEndnote中的段落； -
XWPFComment（审阅批注）； - SmartArt 图形内嵌的
XWPFParagraph（需手动解析charts/或drawings/关系）。
而 Tika 的 OOXMLParser 会主动加载 word/headers.xml, word/footers.xml, word/footnotes.xml, word/comments.xml, word/textbox.xml 等全部部件，并统一归一化为 SAX 事件流，确保零遗漏。
✅ 总结：对于生产环境中的 Word 文本提取需求，优先选用 Apache Tika —— 它不是替代 POI，而是站在 POI 肩膀上构建的工业级内容提取框架，兼顾完整性、兼容性与维护性。
