【word解析】实现Word文档自动编号提取技术详解

Word自动编号提取技术详解

原创

已于 2025-10-01 09:33:38 修改 · 314 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#word #java #jvm #servlet #spring

于 2025-09-23 19:42:19 首次发布

一、背景

因业务需求,目前正在实现一项需求，即将一份试卷的内容提取出来，由非结构化到结构化的转换。在试卷解析的时候发现存在大纲目录中带有自动编号的格式，按照传统的方式没有解析出来，花了一番功夫，最终还是搞定了，于是写下来分享给大家。

二、概述

从一份word格式的试卷中，用java从XWPFParagraph中先判断是否有编号，如果有再提取自动编号，自动编号还是会区分不同类型的，如中文的一、二、三等，阿拉伯数字的1、2、3等，或者是字母a、b、c等。

三、正文

1、需要先实现一个自动编号上下文的class：

NumberingContext里面注册了不同格式的编号，如大写字母编号、小写字母编号、中文编号等，具体可以看代码：


public class NumberingContext {
    private final Map<String, List<Integer>> numberingStates = new HashMap<>();

    // 编号格式映射（可以扩展更多格式）
    public static final Map<String, NumberFormatter> FORMATTERS = new HashMap<>();

    static {
        FORMATTERS.put("decimal", new DecimalFormatter());
        FORMATTERS.put("lowe