在 Java 中以编程方式将 Word doc 转换为 HTML

Posted 2023-03-05

【中文标题】在 Java 中以编程方式将 Word doc 转换为 HTML

【英文标题】：Convert Word doc to HTML programmatically in Java

【发布时间】：2010-09-18 15:21:51

【问题描述】：

我需要将 Word 文档转换为 Java 中的 html 文件。该函数将输入一个word文档，输出将是基于word文档页数的html文件，即如果word文档有3页，那么将生成3个具有所需分页符的html文件。

我搜索了可以将 doc 转换为 html 但没有结果的开源/非商业 API。任何曾经做过此类工作的人请帮忙。

谢谢

【问题讨论】：

这里有一些起点。祝你好运。在 Microsoft 的网站上，您可以找到 .doc format 的文档，在 ECMA 网站上，您可以找到 .docx format 的文档。 Microsoft 在其 OpenXML 开发人员博客上有一个 category for Java，其中包括专门关于转换 OpenXML to XHTML in Java 的帖子。

theserverside.com/news/thread.tss?thread_id=41942#216880 -- 这对我来说之前效果很好

这是一个已经做了一段时间的人使用的东西 -- jroller.com/rickard/entry/word_to_html_in_java

【参考方案1】：

您必须找到 MS word doc 规范（因为它基本上是当时 word 中任何内容的二进制转储），然后慢慢地逐个元素地检查它，转换 ms word “objects/states”到 html 等价物。你也许可以找到一个脚本来为你做这件事，因为这真的不是一件有趣的工作，我建议你不要这样做（转换文件格式甚至从你自己的商业文件中读取总是很困难，而且往往是不完整的）。 PS：就google doc2html

【讨论】：

你看过规范吗？ （从头开始，你有没有调查过包含规范的 .rtf 文件与指定格式之间的不一致？）——这是不可行的，虽然有其他解决方案，但工作量太大了。

我确实说过这很难，而且规格通常不完整，因此建议不要这样做。

【参考方案2】：

如果您使用 ooxml 格式定位 word 2007 文件，那么这个article 可能会有所帮助。 还有 Ooxml4j 项目正在为 Java 库实现 ooxml。

如果你的目标是二进制文件……那是另一个问题。

【参考方案3】：

我已在新的 MS Word XML 格式不可用的生产系统中成功使用了以下方法：

生成一个执行类似以下操作的进程：

http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html

您可能希望在程序启动时启动一次 openoffice，并在程序期间根据需要多次调用 python 脚本（通过某种检查以确保 ooffice 进程始终存在）。

另一种选择是在每次需要进行转换时生成以下命令：

ooffice -headless "macro://"

我已经多次使用宏方法并且效果很好（抱歉，我没有可用的宏代码）。

虽然有通过 MS Word 执行此操作的机制，但它们在 Java 中并不容易，并且确实需要其他支持程序才能通过 OLE 驱动 MS Word。

我以前也使用过 abiword，它适用于许多文档，但确实会与更复杂的文档混淆（ooffice 似乎可以处理我扔给它的所有内容）。 Abiword 的转换命令行界面比 ooffice 稍微简单一些。

【参考方案4】：

我们使用 tm-extractors (http://mvnrepository.com/artifact/org.textmining/tm-extractors)，并回退到商业 Aspose (http://www.aspose.com/)。两者都有本机 Java API。

【参考方案5】：

import officetools.OfficeFile; // package available at www.dancrintea.ro/doc-to-pdf/
...
FileInputStream fis = new FileInputStream(new File("test.doc"));
FileOutputStream fos = new FileOutputStream(new File("test.html"));
OfficeFile f = new OfficeFile(fis,"localhost","8100", true);
f.convert(fos,"html");

所有可能的转化：

doc --> pdf、html、txt、rtf

xls --> pdf、html、csv

ppt --> pdf, swf

html --> pdf

【参考方案6】：

如果是 docx，您可以使用 docx4j (ASL v2)。这使用 XSLT 创建 HTML。

但是，它会为您提供整个文档的单个 HTML。

如果您希望每页都有一个 HTML，您可以使用 Word 放入 docx 中的 lastRenderedPageBreak 标记来做一些事情（假设您使用 Word 创建它）。

【参考方案7】：

在新的 MS word docx 中更容易做到这一点，因为格式是 XML。 您可以使用 XSL 将 XML 格式的 Word 文档转换为 HTML 格式。

但是，如果您的 Word 文档是旧版本，您可以使用 POI 库 http://poi.apache.org/ 然后访问它并生成一个 Java 对象，从那时起，您可以使用 HTML java 库轻松地将其转换为 HTML 格式

http://www.dom4j.org/dom4j-1.4/apidocs/org/dom4j/io/HTMLWriter.html

【讨论】：

从 3.5 版开始，Apache POI 支持更新版本的 Word。

【参考方案8】：

我看到这个帖子出现在外部链接中，并且偶尔会发帖，所以我想我会发布一个更新（希望没人介意）。 OpenOffice 不断发展，3.2 版再次改进了单词导入导出过滤器。 OpenOffice 和 Java 可以在许多平台上运行，因此 Java 系统可以直接使用 OpenOffice UNO API 来导入/操作/导出多种格式（包括 word 和 pdf）的文档，或者使用像 JODReports 或 Docmosis 这样的库来方便.两者都有免费/开放选项。

【参考方案9】：

我推荐JODConverter，它利用了 OpenOffice.org，它可以为当今可用的 OpenDocument 和 Microsoft Office 格式提供可以说是最好的导入/导出过滤器。

JODConverter 有很多文档、脚本和教程可以帮助您。

【参考方案10】：

我尝试过这种方式，并从这个网站与我一起工作 http://code.google.com/p/xdocreport/wiki/XWPFConverterXHTML

这仅适用于 docx 将其转换为该 word 文档中包含 html 的图像。

    // 1) Load DOCX into XWPFDocument
    InputStream doc = new FileInputStream(new File("c:/document.docx"));
    XWPFDocument document = new XWPFDocument(doc);

   // 2) Prepare XHTML options (here we set the IURIResolver to load images from a "word/media" folder)
            XHTMLOptions options = XHTMLOptions.create(); //.URIResolver(new FileURIResolver(new File("word/media")));;

            // 3) Extract image
            String root = "target";
            File imageFolder = new File( root + "/images/" + doc );
            options.setExtractor( new FileImageExtractor( imageFolder ) );
            // 4) URI resolver
            options.URIResolver( new FileURIResolver( imageFolder ) );


            OutputStream out = new FileOutputStream(new File("c:/document.html"));
            XHTMLConverter.getInstance().convert(document, out, options);

希望这能解决你的问题

【讨论】：

请分享解决方案本身，而不是发布链接。

【参考方案11】：

你可以使用micrsoft office online

首先，在服务器端请求https://view.officeapps.live.com/op/view.aspx?src='your doc file online url'

然后使用jsoup解析结果html

当从移动设备访问时，html 将包含一个框架。