如何使用POI获取Word2003中的表格信息并实现复杂表格转HTML

问题根因说明 #

TableRow.getRowHeight() 仅在Word表格行高被手动设置为固定值时才会返回有效数值，默认自动适配行高的场景下返回值恒为0，用行高计算rowspan的思路不可行。

正确的colspan/rowspan计算方案 #

不需要通过宽高求公约数推导，直接读取Word表格单元格原生的合并属性即可，所有兼容Word2003 doc格式的解析库都支持读取这两个属性：

• 水平合并对应属性 hMerge：值为 restart 时代表是合并区域的起始单元格，后续连续值为 continue 的单元格都属于该合并范围，统计连续continue的数量+1就是当前单元格的colspan值，后续continue状态的单元格不需要输出到HTML中
• 垂直合并对应属性 vMerge：逻辑和水平合并完全一致，值为 restart 时是垂直合并区域的起始单元格，统计下方连续continue的单元格数量+1就是当前单元格的rowspan值

如果使用Apache POI处理doc格式，对应API直接获取即可，不需要手动计算：

• 读取colspan直接调用 TableCell.getGridSpan()
• 读取垂直合并状态调用 TableCell.getVMerge()，返回值0对应restart，1对应continue，-1代表无合并

复杂表格转HTML优化方案 #

1. 预处理阶段遍历整个表格，生成二维占位矩阵，矩阵尺寸等于表格的最大行数×最大列数，每处理一个单元格就将它占据的所有矩阵位置标记为已占用，后续遍历到已标记的位置直接跳过，可100%兼容不规则合并、行列缺失的特殊表格场景
2. 碰到嵌套表格时，单独解析子表格后作为父单元格的innerHTML插入即可
3. 单元格的边框、背景色、对齐等样式直接映射到HTML标签的style属性，不需要单独生成全局CSS，兼容性更强
4. 不需要从零实现全链路转换逻辑，可基于POI自带的WordToHtmlConverter修改，仅调整表格处理模块的逻辑就能覆盖90%以上的复杂表格转换需求

内容的提问来源于stack exchange，提问作者Hanliu