这里不太介绍poi,请贴官网https://poi.Apache.org /,自由查看。
首先,要明确如何将doc/docx文档转换为html/htm。 根据POI文档,可以看到用于处理doc格式文档的POI API是HWPF,而docx格式是XWPF。 这里请参考这个好句子。 http://www.open-open.com/lib/view/open 1389594797523.html清楚地描述了格式转换。
因此,取决于文档类型,doc使用HWPF对象处理转换,而docx使用XWPF对象处理转换。
一.处理doc。
这个比较简单,我在网上查了一下,我的代码也是根据网上的东西做自己的优化和逻辑。
POI可以支持较早的doc处理,所以资料很多。
其思想是HWPFDocument对象实例化文件流-WordToHtmlConverter对象处理HWPFDocument对象和预处理页的图像等(主要是图像)
文档说明:
转换世界文件(95-2007 ) into html文件。
thisimplementationdoesn ' tcreateimagesorlinkstothem.thiscanbechangedbyoverridingabstractwordconverter.processimage (
-org.w3c.dom.Document对象处理WordToHtmlConverter并生成DOM对象-输出文件。
这里的优点是,通过使用Document对象可以解决编码、文件格式等问题。
这里流程很简单,直接贴上简单的demo,看评论就可以了:
import Java.io.bytearray output stream;
import java.io.File;
import java.io.FileInputStream;
import Java.io.file not found exception;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.io.OutputStream;
import java.util.List;
import javax.XML.parsers.documentbuilderfactory;
import javax.XML.transform.output keys;
import javax.XML.transform.transformer;
import javax.XML.transform.transformer factory;
import javax.XML.transform.DOM.DOM source;
import javax.XML.transform.stream.stream result;
importorg.Apache.com mons.io.fileutils;
importorg.Apache.poi.hwpf.hwpfdocument;
importorg.Apache.poi.hwpf.converter.pictures manager;
importorg.Apache.poi.hwpf.converter.wordtohtmlconverter;
importorg.Apache.poi.hwpf.usermodel.picture;
importorg.Apache.poi.hwpf.usermodel.picture type;
importorg.Apache.poi.xwpf.converter.core.fileimageextractor;
importorg.Apache.poi.xwpf.converter.core.fileuriresolver;
importorg.Apache.poi.xwpf.converter.XHTML.XHTML converter;
importorg.Apache.poi.xwpf.converter.XHTML.XHTML options;
importorg.Apache.poi.xwpf.usermodel.xwpfdocument;
importorg.Apache.poi.xwpf.usermodel.xwpfpicturedata;
import org.w3c.dom.Document;
公共类策略{
公共void parse docx 2
Html() throws Throwable {final String path = "F:\";
final String file = "xxxxxxx.doc";
InputStream input = new FileInputStream(path + file);
String suffix = file.substring(file.indexOf(".")+1);// //截取文件格式名
//实例化WordToHtmlConverter,为图片等资源文件做准备
WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(
DocumentBuilderFactory.newInstance().newDocumentBuilder()
.newDocument());
wordToHtmlConverter.setPicturesManager(new PicturesManager() {
public String savePicture(byte[] content, PictureType pictureType,
String suggestedName, float widthInches, float heightInches) {
return suggestedName;
}
});
if ("doc".equals(suffix.toLowerCase())) {
// docx
HWPFDocument wordDocument = new HWPFDocument(input);
wordToHtmlConverter.processDocument(wordDocument);
//处理图片,会在同目录下生成 image/media/ 路径并保存图片
List pics = wordDocument.getPicturesTable().getAllPictures();
if (pics != null) {
for (int i = 0; i < pics.size(); i++) {
Picture pic = (Picture) pics.get(i);
try {
pic.writeImageContent(new FileOutputStream(path
+ pic.suggestFullFileName()));
} catch (FileNotFoundException e) {
e.printStackTrace();
}
}
}
}
// 转换
Document htmlDocument = wordToHtmlConverter.getDocument();
ByteArrayOutputStream outStream = new ByteArrayOutputStream();
DOMSource domSource = new DOMSource(htmlDocument);
StreamResult streamResult = new StreamResult(outStream);
TransformerFactory tf = TransformerFactory.newInstance();
Transformer serializer = tf.newTransformer();
serializer.setOutputProperty(OutputKeys.ENCODING, "utf-8");//编码格式
serializer.setOutputProperty(OutputKeys.INDENT, "yes");//是否用空白分割
serializer.setOutputProperty(OutputKeys.METHOD, "html");//输出类型
serializer.transform(domSource, streamResult);
outStream.close();
String content = new String(outStream.toByteArray());
FileUtils.writeStringToFile(new File(path, "interface.html"), content,
"utf-8");
}
public static void main(String[] args) throws Throwable {
new POIForeViewUtil().parseDocx2Html();
}
}
接着看第二种
二、处理docx。
docx是07的版本,处理起来困难的多,貌似POI对docx的处理方法没有doc那么便捷,处理样式等等都有问题,我遇到的两个最明显问题就是字体编码问题和表格的边框线显示。
思路:XWPFDocument加载文件流 -> XHTMLOptions处理页面资源(主要图片) -> OutputStream输出流直接输出文件。
过程代码相当简单,可是越简单结果约没有预期的好。输出的文件字体编码默认为GBK,例如我的“微软雅黑”字体就变成“寰蒋闆呴粦”,而且节点的显示也没有doc处理的好。
同样贴一下demo代码:
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.stream.StreamResult;
import org.apache.poi.xwpf.converter.core.FileImageExtractor;
import org.apache.poi.xwpf.converter.core.FileURIResolver;
import org.apache.poi.xwpf.converter.xhtml.XHTMLConverter;
import org.apache.poi.xwpf.converter.xhtml.XHTMLOptions;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFPictureData;
public class Word07ToHtml {
public static void parseToHtml() throws IOException {
File f = new File("F:/xxxxx.docx");
if (!f.exists()) {
System.out.println("Sorry File does not Exists!");
} else {
if (f.getName().endsWith(".docx") || f.getName().endsWith(".DOCX")) {
// 1) 加载XWPFDocument及文件
InputStream in = new FileInputStream(f);
XWPFDocument document = new XWPFDocument(in);
// 2) 实例化XHTML内容(这里将会把图片等文件放到生成的"word/media"目录)
File imageFolderFile = new File("f:/opt");
XHTMLOptions options = XHTMLOptions.create().URIResolver(
new FileURIResolver(imageFolderFile));
options.setExtractor(new FileImageExtractor(imageFolderFile));
//options.setIgnoreStylesIfUnused(false);
//options.setFragment(true);
// 3) 将XWPFDocument转成XHTML并生成文件
OutputStream out = new FileOutputStream(new File(
"F:/result.html"));
XHTMLConverter.getInstance().convert(document, out, null);
} else {
System.out.println("Enter only MS Office 2007+ files");
}
}
}
public static void main(String args[]) {
try {
//String string = new String("寰蒋闆呴粦".getBytes("GBK"), "UTF-8");
//System.out.println(string);
parseToHtml();
} catch (IOException e) {
e.printStackTrace();
}
}
}
由于已将两个Demo移出项目,没有截图。
POI的jar包下载路径: