Java读取Confluence导出的.doc文档时出现无效头部签名异常

异常原因 #

你遇到的NotOLE2FileException，核心原因是Confluence导出的.doc文件并非标准二进制OLE2格式的传统Word文档（而HWPF仅能处理这种格式）。从异常里的签名0x7265562D454D494D能看出，该文件本质是MIME封装的HTML内容，只是被命名成了.doc后缀。

验证方法 #

可以通过两个简单操作确认：

• 将文件后缀改为.html，双击打开会发现是网页格式内容；
• 用文本编辑器打开文件，开头会看到MIME-Version这类HTML封装文件的标识。

修复方案 #

不要仅通过文件后缀判断格式，先检测文件真实类型，再匹配对应的解析方式：

1. 用POI的FileMagic检测文件类型 #

import org.apache.poi.poiutil.FileMagic;
import java.io.File;
import java.io.FileInputStream;

File file = new File("你的文件路径");
FileInputStream fis = new FileInputStream(file);
FileMagic magic = FileMagic.valueOf(fis);
fis.close();

System.out.println("文件真实类型：" + magic);

2. 根据类型选择解析逻辑 #

• 若输出OLE2：说明是标准.doc，你的原代码可以正常使用；
• 若输出OOXML：是伪装成.doc的.docx，改用XWPFDocument解析；
• 若输出HTML：这是Confluence导出的典型情况，用Jsoup等HTML解析库读取：

// HTML类型文件的解析示例（需依赖Jsoup）
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;

File htmlFile = new File("你的文件路径");
Document doc = Jsoup.parse(htmlFile, "UTF-8");
String content = doc.text();
// 处理提取到的文本内容

额外建议 #

在Confluence导出时优先选择.docx格式，这是标准OOXML格式，POI的XWPF组件可以稳定处理，避免出现后缀与实际格式不符的问题。

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