word文档转html格式在线预览,使用了phpoffice,pydocx,java POI各方案，最终用unoconv解决

Posted 2021-10-11 卡德加

最近客户要做一个word,excel 文件在线预览功能，以下是实现此功能的全过程。
由于我们用的是php开发项目，最开始想到的是用PHPoffice里的phpword来进行转换，以下是关键代码。

<?php
$phpWord = \\PhpOffice\\PhpWord\\IOFactory::load(\'test.doc\');
$xmlWriter = \\PhpOffice\\PhpWord\\IOFactory::createWriter($phpWord, "html");
$xmlWriter->save(\'test.html); 

用这种方法转是可以转，但是转出来的html文件相对原文件，丢失了很多字，如果说样式和原文不一样还可以忍受，但是内容丢失，就不太好了，而且对DOC格式又无法处理，所以这种方法，我最终选择了放弃。
然后，我就想用python来解决这个问题，查到了python有个pydocx库可以处理word文档，于是我就安装了一下。

pip install pydocx

这个库用起来也很简单，主要代码如下：

from pydocx import PyDocX
html = PyDocX.to_html("test2.doc")
f = open("test.html", \'w\', encoding="utf-8")
f.write(html)
f.close()

转换效果也还可以，除了表格样式和原文有点不一样以外，内容倒是没丢失，但是有一个问题，这个库是转换docx的，对doc转换不了，我们客户还上传挺多doc格式的文件的，于是我只好另外想办法。
查资料发现java有个poi库可以用来对word文件进行转换， Apache POI是Apache软件基金会的开放源码函式库，POI提供API给Java程序对Microsoft Office格式档案读和写的功能。我想试一下，查资料半天，就开始写了，先Maven引入依赖：

    <dependencies>
        <dependency>
                   <groupId>org.apache.poi</groupId>
                <artifactId>poi</artifactId>
                    <version>4.1.2</version>
                </dependency>
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-ooxml</artifactId>
            <version>4.1.2</version>
        </dependency>
        <!-- 针对2003版本的库 -->
        <dependency>
            <groupId>org.apache.poi</groupId>
            <artifactId>poi-scratchpad</artifactId>
            <version>4.1.2</version>
        </dependency>
        <dependency>
            <groupId>fr.opensagres.xdocreport</groupId>
            <artifactId>fr.opensagres.poi.xwpf.converter.xhtml</artifactId>
            <version>2.0.2</version>
        </dependency>
        <dependency> <groupId>cn.hutool</groupId> <artifactId>hutool-all</artifactId> <version>5.4.3</version></dependency>
    </dependencies>

以下是引用别人的可用代码：

import cn.hutool.core.img.ImgUtil;
import fr.opensagres.poi.xwpf.converter.xhtml.Base64EmbedImgManager;
import fr.opensagres.poi.xwpf.converter.xhtml.XHTMLConverter;
import fr.opensagres.poi.xwpf.converter.xhtml.XHTMLOptions;
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.converter.WordToHtmlConverter;
import org.apache.poi.openxml4j.util.ZipSecureFile;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.w3c.dom.Document;

import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;
import java.awt.image.BufferedImage;
import java.io.*;
/**
 * office转换工具测试
 *
 */
public class OfficeConvertUtil {

    /**
     * 将word2003转换为html文件 2017-2-27
     *
     * @param wordPath word文件路径
     * @param wordName word文件名称无后缀
     * @param suffix   word文件后缀
     * @throws IOException
     * @throws TransformerException
     * @throws ParserConfigurationException
     */
    public static String Word2003ToHtml(String wordPath, String wordName,
                                        String suffix) throws IOException, TransformerException,
            ParserConfigurationException {
        String htmlPath = wordPath + File.separator + "html"
                + File.separator;
        String htmlName = wordName + ".html";
        final String imagePath = htmlPath + "image" + File.separator;

        // 判断html文件是否存在，每次重新生成
        File htmlFile = new File(htmlPath + htmlName);
//      if (htmlFile.exists()) {
//          return htmlFile.getAbsolutePath();
//      }

        // 原word文档
        final String file = wordPath + File.separator + wordName + suffix;
        InputStream input = new FileInputStream(new File(file));
        HWPFDocument wordDocument = new HWPFDocument(input);
        WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(
                DocumentBuilderFactory.newInstance().newDocumentBuilder()
                        .newDocument());

        wordToHtmlConverter.setPicturesManager((content, pictureType, suggestedName, widthInches, heightInches) -> {
            BufferedImage bufferedImage = ImgUtil.toImage(content);
            String base64Img = ImgUtil.toBase64(bufferedImage, pictureType.getExtension());
            //  带图片的word，则将图片转为base64编码，保存在一个页面中
            StringBuilder sb = (new StringBuilder(base64Img.length() + "data:;base64,".length()).append("data:;base64,").append(base64Img));
            return sb.toString();
        });

        // 解析word文档
        wordToHtmlConverter.processDocument(wordDocument);
        Document htmlDocument = wordToHtmlConverter.getDocument();
        // 生成html文件上级文件夹
        File folder = new File(htmlPath);
        if (!folder.exists()) {
            folder.mkdirs();
        }

        // 生成html文件地址
        OutputStream outStream = new FileOutputStream(htmlFile);

        DOMSource domSource = new DOMSource(htmlDocument);
        StreamResult streamResult = new StreamResult(outStream);

        TransformerFactory factory = TransformerFactory.newInstance();
        Transformer serializer = factory.newTransformer();
        serializer.setOutputProperty(OutputKeys.ENCODING, "utf-8");
        serializer.setOutputProperty(OutputKeys.INDENT, "yes");
        serializer.setOutputProperty(OutputKeys.METHOD, "html");

        serializer.transform(domSource, streamResult);

        outStream.close();

        return htmlFile.getAbsolutePath();
    }

    /**
     * 2007版本word转换成html 2017-2-27
     *
     * @param wordPath word文件路径
     * @param wordName word文件名称无后缀
     * @param suffix   word文件后缀
     * @return
     * @throws IOException
     */
    public static String Word2007ToHtml(String wordPath, String wordName, String suffix)
            throws IOException {
        ZipSecureFile.setMinInflateRatio(-1.0d);
        String htmlPath = wordPath + File.separator + "html"
                + File.separator;
        String htmlName = wordName + ".html";
        String imagePath = htmlPath + "image" + File.separator;

        // 判断html文件是否存在
        File htmlFile = new File(htmlPath + htmlName);
//      if (htmlFile.exists()) {
//          return htmlFile.getAbsolutePath();
//      }

        // word文件
        File wordFile = new File(wordPath + File.separator + wordName + suffix);

        // 1) 加载word文档生成 XWPFDocument对象
        InputStream in = new FileInputStream(wordFile);
        XWPFDocument document = new XWPFDocument(in);

        // 2) 解析 XHTML配置 (这里设置IURIResolver来设置图片存放的目录)
        File imgFolder = new File(imagePath);
        //  带图片的word，则将图片转为base64编码，保存在一个页面中
        XHTMLOptions options = XHTMLOptions.create().indent(4).setImageManager(new Base64EmbedImgManager());
        // 3) 将 XWPFDocument转换成XHTML
        // 生成html文件上级文件夹
        File folder = new File(htmlPath);
        if (!folder.exists()) {
            folder.mkdirs();
        }
        OutputStream out = new FileOutputStream(htmlFile);
        XHTMLConverter.getInstance().convert(document, out, options);

        return htmlFile.getAbsolutePath();
    }
    public static void main(String[] args) throws Exception {
        System.out.println(Word2003ToHtml("D:\\\\tmp", "test", ".doc"));
        System.out.println(Word2007ToHtml("D:\\\\tmp", "test2", ".docx"));
    }
}

用java 倒是转换doc格式转的挺好的，但是转换docx格式的时候，样式全乱了，我查了半天POI的文档，网上也没有哪位大佬来解决这个样式乱的问题，于是我想用python来转docx ,java来转doc,但是又觉得太麻烦。
在查了半天资料以后，我最终的解决办法如下。
还是回到了用php处理，但是不是用phpoffice来处理，而是用unocov进行转换,先装libreoffice

yum install libreoffice

然后装unocov

yum install unoconv

用以下命令就可以转换了

unoconv -f html -o test.html test.doc

-f是输出格式，-o是输出文件 最后面是输入文件，具体用法可以查相关文档，我在php里执行外部命令，生成转换好的文件以后再重定向到生成的文件上面去，由于excel 转html报错，所以我针对excel 转成了pdf.

        if (file_exists($source)) {
            $dir = dirname($source);
            $ext=pathinfo($source)[\'extension\'];
            if(!in_array($ext,[\'xls\',\'xlsx\'])){
                $filetype=\'html\';
            }else $filetype=\'pdf\';
            $filename = strstr(basename($source), \'.\', true) . \'.\'.$filetype;
            $file =  $filename;            
            if(!file_exists(\'data/\' . $file)){
                //echo "sudo /usr/bin/unoconv -f {$filetype} -o " . \'/data/web/public/data/\' . $file . \' \' . \'/data/web/data_manage/public/\' . $source;exit;
                $res= shell_exec("sudo /usr/bin/unoconv -f {$filetype} -o " . \'/data/web/public/data/\' . $file . \' \' . \'/data/web/data_manage/public/\' . $source);
                if(!file_exists(\'data/\' . $file)){
                    dump($res);
                    exit(\'生成预览文件出错\');
                }
            }
            header("Location:".\'/data/\' . $file);
            exit();
        } else exit(\'文件不存在\');

最后，总算是把doc,docx 还有excel文件，wps文件都能预览出来，样式还是有点变化，内容没有丢失，客户也还算是能接受，以上是我解决这个问题的心得，希望能帮到大家。