Java读取DOCX文件本质是将其作为ZIP包解析，因DOCX基于OOXML标准，内含document.xml等XML文件；可用Apache POI的XWPFDocument获取PackagePart读取XML流，或用java.util.zip手动解压并解析，须开启命名空间支持。
Java 读取 DOCX 文件中的 XML 内容，本质是把 DOCX 当作 ZIP 压缩包来解析，因为 .docx 是基于 Office Open XML（OOXML）标准的 ZIP 归档，里面包含多个 XML 文件（如 document.xml、styles.xml、header1.xml 等）。
用 Apache POI 解析 document.xml（最常用）
Apache POI 的 XWPF 模块封装了对 DOCX 的读写，但底层仍依赖对 XML 的访问。若需直接操作原始 XML，可结合 POI 获取底层 PackagePart 或手动解压：
- 使用
XWPFDocument加载文件后，通过getPackage().getPartsByName(Pattern.compile("word/document\.xml"))获取对应 XML 部分 - 调用
getInputStream()得到 XML 字节流，再用DocumentBuilder或SAXParser解析成 DOM/SAX 树 - 示例片段：
XWPFDocument doc = new XWPFDocument(new FileInputStream("test.docx"));<br> PackagePart part = doc.getPackage().getPartsByName(Pattern.compile("word/document\.xml")).get(0);<br> Document xml = DocumentBuilderFactory.newInstance().newDocumentBuilder().parse(part.getInputStream());<br> System.out.println(xml.getDocumentElement().getNodeName()); // 通常是 w:document
手动解压 DOCX 并读取任意 XML 文件
DOCX 就是 ZIP，可用 Java 原生 java.util.zip 打开，适合读取 styles.xml、numbering.xml 等非正文内容：
- 用
ZipFile打开 .docx 文件 - 定位目标路径，如
"word/styles.xml"或"word/numbering.xml" - 用
ZipEntry.getInputStream()读取 XML 流，再交给 XML 解析器处理 - 注意：XML 中大量使用命名空间（如
w:），解析时需开启命名空间支持（factory.setNamespaceAware(true)）
注意命名空间和标签前缀（w:, r:, a: 等）
Office Open XML 使用严格命名空间，典型前缀有：
立即学习“Java免费学习笔记（深入）”；
-
w:主文档结构（paragraph、run、text） -
r:关系（hyperlink、image reference） -
a:绘图（drawing、shape） - DOM 解析时建议用
getElementsByTagNameNS("http://schemas.openxmlformats.org/wordprocessingml/2006/main", "p")而非getElementsByTagName("w:p")
不推荐直接字符串替换或正则解析 XML
XML 结构嵌套深、命名空间敏感、可能含 CDATA 或转义字符，用正则提取文本或标签容易出错：
- 避免：
content.replaceAll("<t>(.*?)</t>", "$1")—— 不处理嵌套、命名空间、换行、实体编码 - 应优先使用标准 XML 解析器（DOM/SAX/StAX），配合命名空间处理逻辑
- 若只提取纯文本且不关心格式，用
XWPFDocument.getText()更简单可靠
基本上就这些。关键点是：DOCX 是 ZIP → XML 在里面 → 用 POI 或原生 ZIP + XML 解析器读取 → 别忽略命名空间。
