Java中使用Aspose Words获取Word内嵌文档数据的方法

使用Aspose Words直接处理 #

Aspose Words中，这类内嵌文档本质是OLE对象，被封装在Shape节点内。你可以通过以下步骤提取内容：

• 先验证Shape是否包含目标OLE对象：检查Shape.OleFormat属性非空，且OleFormat.ProgId匹配Word文档类型（如Word.Document.12）。
• 提取内嵌文档数据：通过OleFormat.GetOleEntry("Contents")获取字节流，再将字节流加载为新的Aspose.Words.Document对象，即可正常读取其中内容。

.NET示例代码 #

foreach (Shape shape in doc.GetChildNodes(NodeType.Shape, true))
{
    if (shape.OleFormat != null && shape.OleFormat.ProgId.StartsWith("Word.Document"))
    {
        // 获取内嵌文档的字节流
        byte[] oleBytes = shape.OleFormat.GetOleEntry("Contents");
        // 加载为独立的Document对象
        using (MemoryStream ms = new MemoryStream(oleBytes))
        {
            Document embeddedDoc = new Document(ms);
            // 提取内嵌文档文本（可按需处理其他内容）
            string embeddedText = embeddedDoc.GetText();
            Console.WriteLine(embeddedText);
        }
    }
}

Java示例代码 #

for (Shape shape : (Iterable<Shape>) doc.getChildNodes(NodeType.SHAPE, true)) {
    if (shape.getOleFormat() != null && shape.getOleFormat().getProgId().startsWith("Word.Document")) {
        byte[] oleBytes = shape.getOleFormat().getOleEntry("Contents");
        ByteArrayInputStream bais = new ByteArrayInputStream(oleBytes);
        Document embeddedDoc = new Document(bais);
        // 提取内嵌文档文本
        String embeddedText = embeddedDoc.getText();
        System.out.println(embeddedText);
    }
}

其他可选库 #

如果不想使用Aspose Words，也可以选择这些工具：

• Apache POI（Java生态）：通过XWPFDocument配合POIOLE2TextExtractor解析OLE包，进而提取内嵌Word文档内容，但对复杂格式的兼容性略逊于Aspose。
• DocX（.NET生态）：轻量级Word处理库，适合简单场景的内嵌文档提取，但对复杂OLE对象的支持不够完善。

注意：.doc与.docx格式的OLE对象存储结构略有差异，测试时需覆盖两种格式的文件。

内容的提问来源于stack exchange，提问作者lemon chow