Leer un archivo Word con Java

Tal vez mas de una ocasión nos han pedido desarrollar una aplicación que tenga que entre otras cosas sea necesario leer un archivo de word, ya sea para un editor de textos o cualquier uso que se le encuentre a ello. Muchas veces vemos el ejemplo de como leer un archivo de texto .txt pero pocas veces practicamos como debemos hacerlo con un fichero de word .doc/.docx.

La verdad hay que ser honestos Java por si solo no es capaz de hacer la tarea (al menos no que yo sepa) por lo que tenemos dos opciones para hacer esto, la primera sería descomprimir el archivo .doc/.docx como si se tratase de un .zip, navegar los directorios y leer el .xml donde el texto se encuentra identificándolo por las etiquetas del documento, o bien el modo más fácil es usar una librería externa que probablemente haga la primera opción para conseguir el texto del word.

En este ejemplo veremos el modo fácil (no hay por que complicarse la vida), la librería que usaremos se llama POI y pertenece a la Fundación de Software de Apache, con dicha librería podremos manipular documentos XML y también de Microsoft Office en nuestra aplicación, dígase no solo word, sino también PowerPoint, Excel y no se que más. Sin más preámbulos descarguemos la Libreria POI y empecemos.

Descargar librería POI de Apache Software Foundation

Recomiendo descargar la versión estable más reciente disponible yo trabajare con la 3.7 pero para efectos prácticos cualquier versión es igual, es igual. Vamos a ello, primero hay que tener en claro que es lo que vamos a abrir ya que el proceso difiere (solo un poco) de un .doc al de un .docx. Si nuestra aplicación debe abrir ambos deben implementar un método que reconozca la extensión del documento y así saber que es lo que se abrirá, pero eso ya es otra historia.

Los import necesarios son:

//Librerias de POI requeridas
import org.apache.poi.hwpf.extractor.WordExtractor;
import org.apache.poi.xwpf.extractor.XWPFWordExtractor;
import org.apache.poi.xwpf.usermodel.XWPFDocument;

//Librerias de JAVA requeridas
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.InputStream;

Lo primero es crear el objeto (File) que se va a referencia al archivo word:

//Guardar la ruta y recuerden que se debe poner doble barra \\
String ruta = "c:\\documento.docx"

//Se crea el objeto File con la ruta del archivo
File archivodoc = new File(ruta);

Ya que lo tenemos, necesitamos crear un Stream pasando el File creado que usara la POI para leerlo:

//Creamos el stream fijense bien los objetos usados
FileInputStream fis = new FileInputStream(archivodoc);
InputStream entradaArch = fis; 

Ahora usaremos la POI, crearemos el objeto con el que podremos manipular el documento, pero ojo este paso es distinto al de un .doc o un .docx, veamos los por separado:

Leer un .doc

Creamos el objeto WordExtractor que viene en la POI asi:

//Creamos el extractor pasandole el stream
WordExtractor we = new WordExtractor(entradaArch);

Y leemos el texto usando ese objeto creado:

//Leemos y guardamos en un String
String texto = we.getText();
	
//Lo imprimimos para probar
System.out.print(texto);

Leer un .docx

Cargamos el documento a un nuevo objeto que usara el extractor y creamos el extractor de contenido:

//Se crea un documento que la POI entiende pasandole el stream
XWPFDocument ardocx = new XWPFDocument(entradaArch); 
             
//instanciamos el obj para extraer contenido pasando el documento
XWPFWordExtractor xwpf_we = new XWPFWordExtractor(ardocx); 

Y leemos el texto usando ese objeto creado:

//leer el texto para un .docx 
String texto = xwpf_we.getText(); 

// se imprime 
System.out.println(texto); 

Eso es todo, cabe destacar que en la String donde obtenemos el texto se guarda todo el contenido, no es por linea como lo es al leer un .txt, aquí se lee todo en esa String, por cada salto de linea que tenga el documento la String lo tendrá, así que para separar por párrafos pueden usar el método .split("\n") asi dividirán por párrafos. Si el documento tiene imágenes analicen la documentación de la POI me parece que tiene objetos para eso.

Por ultimo, veamos le código completo en el cual me ahorrare pasos pero da el mismo resultado, Recuerden siempre que trabajemos con Streams (y varios objetos más) necesitamos usar un try y un catch para controlar las excepciones.

//Librerias de POI requeridas
import org.apache.poi.hwpf.extractor.WordExtractor; //Para leer un .doc
import org.apache.poi.xwpf.extractor.XWPFWordExtractor; //Para leer un XWPF Document
import org.apache.poi.xwpf.usermodel.XWPFDocument; //Para instanciar un .docx

//Librerias de JAVA requeridas
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.InputStream;

public class DocExtractor {
	public static void main(String [] args) {
		//Se crea el objeto File con la ruta del archivo
		//En la ruta recuerden que se debe poner doble barra "\\"
		File archivoDocx = new File("c:\\documento.docx");
		File archivoDoc = new File("c:\\documento.doc");
		
		try {
		//Creamos el stream fijense bien los objetos usados
		InputStream entradaArch1 = new FileInputStream(archivoDoc);
		InputStream entradaArch2 = new FileInputStream(archivoDocx);
		
		} catch(Exception ex) {
			//Manejar Excepcion IO y FileNotFound
		}
		
		//Metodos para leer dependiendo de si es .doc o .docx
		String textoDeDoc = leerDoc(entradaArch1);
		String textoDeDocx = leerDocx(entradaArch2);
		
		// se imprime
		System.out.println(textoDeDoc);
		System.out.println(textoDeDocx);

	} // End main
	
	private static String leerDoc(InputStream doc) {
		//Creamos el extractor pasandole el stream
		WordExtractor we = new WordExtractor(doc);
		
		//Regresamos lo leído		
		return we.getText();
	}
	
	private static String leerDocx(InputStream docx) {
		//Se crea un documento que la POI entiende pasandole el stream
		//instanciamos el obj para extraer contenido pasando el documento
		XWPFWordExtractor xwpf_we = new XWPFWordExtractor(new XWPFDocument(docx)); 
				
		return xwpf_we.getText();
	}
} //End class

Observen que aun se puede resumir aun más el código pero la verdad que se considera una mal hábito de programación, además se haría menos comprensible (eso creo), también me parece que al manipular los objetos de la POI puede haber excepciones, les dejo de tarea agregar el try y el catch para esos métodos. Un saludo!