能否使用Apache POI按分页读取Word文档并提取指定页数内容？

Apache POI可以实现Word文档的分页内容提取，但要注意：Word的分页是动态渲染结果，依赖页面设置（纸张大小、边距）、字体等因素，POI本身没有直接的“按页码读取”API，需要通过检测分页标记或模拟分页逻辑来实现。

核心实现思路 #

针对主流的.docx格式（XWPF组件），可以通过以下方式提取指定页码范围的内容：

• 遍历文档的段落、表格等元素，检测手动插入的分页符（PAGE类型的换行符），累计当前页码；
• 当累计页码达到目标页数（比如第3页）时，停止读取并复制已遍历的内容到新文档；
• 对于自动分页（内容填满一页触发的分页），POI无法直接获取渲染后的分页位置，若要精确匹配视觉页码，需要结合第三方布局引擎辅助计算。

代码示例（提取前N页内容） #

import org.apache.poi.xwpf.usermodel.*;

import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.util.List;

public class WordPageExtractor {
    public static void extractFirstPages(String inputPath, String outputPath, int targetPages) throws Exception {
        try (XWPFDocument sourceDoc = new XWPFDocument(new FileInputStream(inputPath));
             XWPFDocument targetDoc = new XWPFDocument()) {

            int currentPage = 1;
            boolean stopExtraction = false;

            // 处理段落
            for (XWPFParagraph para : sourceDoc.getParagraphs()) {
                if (stopExtraction) break;

                // 检查段落内的分页符
                for (XWPFRun run : para.getRuns()) {
                    run.getCTR().getBrList().stream()
                        .filter(br -> br.getType() == STBrType.PAGE)
                        .findFirst()
                        .ifPresent(br -> {
                            currentPage++;
                            if (currentPage > targetPages) {
                                stopExtraction = true;
                            }
                        });
                    if (stopExtraction) break;
                }

                if (!stopExtraction) {
                    // 复制段落到目标文档（保留样式）
                    XWPFParagraph newPara = targetDoc.createParagraph();
                    newPara.createRun().setText(para.getText());
                    newPara.getCTP().setPPr(para.getCTP().getPPr());
                }
            }

            // 处理表格（按需添加）
            if (!stopExtraction) {
                for (XWPFTable table : sourceDoc.getTables()) {
                    if (stopExtraction) break;
                    XWPFTable newTable = targetDoc.createTable();
                    // 复制表格行与内容
                    for (XWPFTableRow row : table.getRows()) {
                        XWPFTableRow newRow = newTable.createRow();
                        for (int i = 0; i < row.getTableCells().size(); i++) {
                            XWPFTableCell cell = row.getTableCells().get(i);
                            newRow.getCell(i).setText(cell.getText());
                        }
                    }
                }
            }

            // 写入结果文档
            try (FileOutputStream out = new FileOutputStream(outputPath)) {
                targetDoc.write(out);
            }
        }
    }

    public static void main(String[] args) throws Exception {
        // 提取input.docx的前3页到output_first3pages.docx
        extractFirstPages("input.docx", "output_first3pages.docx", 3);
    }
}

注意事项 #

• 手动分页符可以准确检测，但自动分页的精确判断需要额外处理，比如估算内容高度匹配页面容量；
• 旧格式.doc（HWPF组件）对分页的支持有限，实现逻辑更复杂，建议优先使用.docx格式；
• 若需要完全匹配视觉上的页码，可结合Apache FOP等渲染工具先将Word转换为PDF，再按PDF页码提取内容，但这会增加额外依赖。

内容的提问来源于stack exchange，提问作者Code Trickle