如何使用Apache POI解析XML中HTML表格并生成Word文档？

1. 还原转义的HTML内容 #

你通过element.item(n).getChildNodes().item(0).getNodeValue()获取到的是HTML转义字符串（比如<table>这类转义后的标签），第一步需要把它还原成真实的HTML标签。

Java中可以用commons-text工具类快速处理：

// 获取转义后的原始字符串
String escapedHtml = element.item(n).getChildNodes().item(0).getNodeValue().trim();
// 还原为可解析的HTML
String unescapedHtml = org.apache.commons.text.StringEscapeUtils.unescapeHtml4(escapedHtml);

2. 解析HTML提取表格结构 #

使用Jsoup库解析还原后的HTML，方便提取表格的行、列及内容：

依赖引入（Maven） #

<dependency>
    <groupId>org.jsoup</groupId>
    <artifactId>jsoup</artifactId>
    <version>1.17.2</version>
</dependency>

解析代码示例 #

// 解析HTML文档
org.jsoup.nodes.Document htmlDoc = Jsoup.parse(unescapedHtml);
// 定位目标表格（根据class筛选）
org.jsoup.nodes.Element table = htmlDoc.selectFirst("table.conTable");

if (table != null) {
    // 遍历表格行
    org.jsoup.select.Elements rows = table.select("tbody tr");
    for (org.jsoup.nodes.Element row : rows) {
        // 遍历每行的单元格
        org.jsoup.select.Elements cells = row.select("td.confluenceTd");
        for (org.jsoup.nodes.Element cell : cells) {
            // 提取单元格内的列表项
            org.jsoup.select.Elements productItems = cell.select("ul li");
            for (org.jsoup.nodes.Element item : productItems) {
                String productName = item.text().trim();
                // 此处可暂存数据，或直接写入Word
            }
        }
    }
}

3. 用Apache POI生成对应Word表格 #

根据提取到的表格结构，使用POI的XWPF组件创建Word表格并填充内容：

// 创建Word文档对象
org.apache.poi.xwpf.usermodel.XWPFDocument doc = new org.apache.poi.xwpf.usermodel.XWPFDocument();
// 创建对应行列数的表格
org.apache.poi.xwpf.usermodel.XWPFTable wordTable = doc.createTable(rows.size(), cells.size());

int rowIndex = 0;
for (org.jsoup.nodes.Element htmlRow : rows) {
    org.apache.poi.xwpf.usermodel.XWPFTableRow wordRow = wordTable.getRow(rowIndex);
    org.jsoup.select.Elements htmlCells = htmlRow.select("td.confluenceTd");
    
    int cellIndex = 0;
    for (org.jsoup.nodes.Element htmlCell : htmlCells) {
        org.apache.poi.xwpf.usermodel.XWPFTableCell wordCell = wordRow.getCell(cellIndex);
        // 拼接单元格内的列表内容（如需保留项目符号，可通过POI创建段落列表）
        StringBuilder cellContent = new StringBuilder();
        org.jsoup.select.Elements items = htmlCell.select("ul li");
        for (org.jsoup.nodes.Element item : items) {
            cellContent.append("• ").append(item.text().trim()).append("\n");
        }
        wordCell.setText(cellContent.toString().trim());
        cellIndex++;
    }
    rowIndex++;
}

// 保存Word文档
try (java.io.FileOutputStream out = new java.io.FileOutputStream("product_table.docx")) {
    doc.write(out);
}

注意事项 #

• 需确保引入完整依赖：除POI的poi、poi-ooxml，还要添加commons-text和jsoup；
• 若HTML存在语法错误（如你提供的XML里的Product3;/li>），Jsoup会自动修复，但建议提前做文本清理；
• 如需保留Word内的原生项目符号列表，可通过XWPFParagraph和XWPFRun手动创建，而非直接拼接文本。

内容的提问来源于stack exchange，提问作者Jeet