如何用Java获取Word文档中段落拆分出的子串所在页码？

我正在使用Aspose.Words库的NodeCollection逐节点读取Word文档，当节点为段落且文本长度超过8000字符时，会将其拆分为多个子串。这类长段落大多跨页，我需要获取每个拆分出的子串所在的页码。

现有代码如下：

Document document = new Document(filePath);
LayoutCollector layoutCollector = new LayoutCollector(doc);
NodeCollection paragraphNodes = document.getChildNodes(NodeType.Paragraph, true);
for(Node node : paragraphNodes)
{
    if(node.getType() == NodeType.PARAGRAPH){
        int pageNumber = layoutCollector.getStartPageIndex(node);
        List<String> subStrings = new ArrayList();
        Paragraph paragraph = (Paragraph) node;
        String text = paragraph.getText();
        if(text.length() > 8000){
            // divideParagraph(String text) 接收字符串，返回每个长度小于8000的子串列表
            subStrings.addAll(divideParagraph(text));
        }
        for(String subString : subStrings)
        {
            System.out.println("need the page number of each substring ");
        }
    }
}

目前我可以通过LayoutCollector获取段落的起始和结束页码，但需要获取拆分出的每个子串的页码用于日志记录。此外，是否有其他库可以读取段落、表格、艺术字等所有元素，并追踪其起始页码和行号？

一、Aspose.Words内实现子串页码定位 #

要获取长段落拆分后每个子串的页码，不能直接通过文本拆分判断，得借助Aspose.Words的LayoutEnumerator配合LayoutCollector，基于Word的实际布局元素（Run）来关联文本位置和页码：

1. 初始化LayoutEnumerator：

LayoutEnumerator layoutEnumerator = new LayoutEnumerator(document);

2. 遍历段落中的Run元素，记录每个Run的文本范围和对应的页码：

Paragraph paragraph = (Paragraph) node;
List<Run> runs = paragraph.getRuns();
int currentTextPos = 0;
List<RunPageInfo> runPageInfos = new ArrayList<>();

for(Run run : runs){
    layoutEnumerator.setCurrent(layoutCollector.getEntity(run));
    int startPage = layoutEnumerator.getPageIndex();
    int endPage = startPage;
    // 处理Run跨页的情况
    if(layoutEnumerator.moveLastChild()){
        endPage = layoutEnumerator.getPageIndex();
        layoutEnumerator.moveParent();
    }
    runPageInfos.add(new RunPageInfo(currentTextPos, currentTextPos + run.getText().length(), startPage, endPage));
    currentTextPos += run.getText().length();
}

自定义RunPageInfo类存储Run的文本位置与页码映射：

class RunPageInfo {
    int startPos;
    int endPos;
    int startPage;
    int endPage;

    public RunPageInfo(int startPos, int endPos, int startPage, int endPage) {
        this.startPos = startPos;
        this.endPos = endPos;
        this.startPage = startPage;
        this.endPage = endPage;
    }
}

3. 拆分文本后，匹配每个子串的文本范围到对应的RunPageInfo，获取页码：

List<String> subStrings = divideParagraph(text);
int subStart = 0;
for(String sub : subStrings){
    int subEnd = subStart + sub.length();
    // 匹配子串对应的页码范围
    for(RunPageInfo info : runPageInfos){
        if(subStart >= info.startPos && subEnd <= info.endPos){
            System.out.println("子串页码：" + info.startPage + (info.startPage != info.endPage ? "-" + info.endPage : ""));
            break;
        } else if(subStart < info.endPos && subEnd > info.startPos){
            System.out.println("子串跨页：" + info.startPage + " 至 " + runPageInfos.get(runPageInfos.size()-1).endPage);
            break;
        }
    }
    subStart = subEnd;
}

这种方法基于Word的实际布局结构，能精准对应拆分后的子串所在页面。

二、其他可选库推荐 #

如果需要替代Aspose.Words，以下几个库支持读取Word全类型元素并追踪页码：

• Apache POI XWPF：开源Java库，支持读取docx格式的段落、表格、形状（艺术字属于形状）等元素。原生无直接页码API，需结合底层布局信息或第三方插件实现页码追踪。
• Docx4j：开源Java库，专注docx解析与生成，支持访问所有文档元素。可通过内置的LayoutManager计算元素的页码和行号，对复杂文档兼容性较好。
• iText 7：双许可库，支持处理docx、PDF等格式。通过WordProcessingMLPackage读取元素，结合布局解析功能获取页码位置，同时支持结构化文档内容生成。

注意：非Aspose的库在跨页元素的页码追踪上，实现复杂度更高，需要结合库的布局能力做二次开发。

内容的提问来源于stack exchange，提问作者lemon chow