java 读取 doc、docx 文件内容和图片，区分段落

Java可以使用Apache POI库来读取doc、docx文件内容和图片，并且可以区分不同的段落。下面是一个简单的示例代码，可以读取Word文档中的所有内容和图片，并将它们按照段落进行分组：

import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.usermodel.*;
import org.apache.poi.xwpf.usermodel.*;

import java.io.FileInputStream;
import java.io.InputStream;
import java.util.ArrayList;
import java.util.List;

public class ReadWord {

    public static void main(String[] args) throws Exception {

        // 读取Word文档
        InputStream is = new FileInputStream("test.docx");
        XWPFDocument xwpfDocument = new XWPFDocument(is);

        // 获取文档中的所有段落
        List<XWPFParagraph> paragraphs = xwpfDocument.getParagraphs();

        // 将段落按照页码分组
        List<List<XWPFParagraph>> pages = groupParagraphsByPage(paragraphs);

        // 处理每一页的内容
        for (int i = 0; i < pages.size(); i++) {
            List<XWPFParagraph> page = pages.get(i);
            System.out.println("Page " + (i + 1));
            for (XWPFParagraph paragraph : page) {
                // 打印文本内容
                System.out.println(paragraph.getText());

                // 获取段落中的所有图片
                List<XWPFPicture> pictures = paragraph.getRuns().stream()
                        .filter(run -> run instanceof XWPFPicture)
                        .map(run -> (XWPFPicture) run)
                        .toList();

                // 处理图片数据
                for (XWPFPicture picture : pictures) {
                    byte[] imageData = picture.getPictureData().getData();
                    // 处理图片数据
                }
            }
        }

        // 关闭文档
        xwpfDocument.close();
    }

    // 将段落按照页码分组
    private static List<List<XWPFParagraph>> groupParagraphsByPage(List<XWPFParagraph> paragraphs) {
        List<List<XWPFParagraph>> pages = new ArrayList<>();
        int pageIndex = -1;
        for (XWPFParagraph paragraph : paragraphs) {
            int newPageIndex = paragraph.getDocument().getPosOfParagraph(paragraph);
            if (newPageIndex != pageIndex) {
                pageIndex = newPageIndex;
                pages.add(new ArrayList<>());
            }
            pages.get(pages.size() - 1).add(paragraph);
        }
        return pages;
    }
}

这个例子中，我们使用了Apache POI的XWPFDocument类来加载docx文档，并使用getParagraphs()方法获取文档中的所有段落。我们可以使用getText()方法获取段落中的文本内容。如果段落中包含图片，我们可以使用getRuns()方法获取所有的Run对象，然后过滤出所有的XWPFPicture对象，并使用getPictureData()方法获取图片的二进制数据。最后，我们可以处理这些图片数据，例如将它们保存到本地磁盘或者上传到服务器。

需要注意的是，对于doc文件，我们需要使用HWPFDocument类来加载文档，并使用getRange()方法获取文档的范围。另外，对于大型文档，可能需要考虑使用分页加载等技术来提高性能。