java - 在 Java 中以编程方式将 Word doc 转换为 HTML

Question

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。以前做过这种工作的人请帮忙。

谢谢

score 7 · Accepted Answer

我推荐JODConverter，它利用了 OpenOffice.org，它为当今可用的 OpenDocument 和 Microsoft Office 格式提供了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。

score 4 · Accepted Answer

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

生成一个执行类似于以下操作的进程：

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://<要转换的 ooffice vb 宏的路径，参数指向文件>"

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。

score 3 · Accepted Answer

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。

score 2 · Accepted Answer

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

但是，它将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 的 lastRenderedPageBreak 标记来做一些事情（假设您使用 Word 创建它）。

score 2 · Accepted Answer

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，您可以使用以下方法轻松地将其转换为 HTML 格式一个 HTML java 库

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

score 1 · Accepted Answer

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JODReports或Docmosis等库来促进。两者都有免费/开放选项。

score 1 · Accepted Answer

我尝试了这种方式，并从这个站点 http://code.google.com/p/xdocreport/wiki/XWPFConverterXHTML与我一起工作

这仅适用于 docx 将其转换为该 word 文档中包含的 html 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);

我希望这能解决你的问题

score 0 · Accepted Answer

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将 ms 单词“对象/状态”转换为 html相当于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，甚至自己从商业文件中读取总是很困难，而且往往是不完整的）。PS：只是谷歌 doc2html

score 0 · Accepted Answer

如果您使用 ooxml 格式定位 word 2007 文件，那么本文可能会有所帮助。还有一个为 Java 库实现 ooxml的Ooxml4j项目。

如果您的目标是二进制文件……那是另一个问题。

score 0 · Accepted Answer

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");

所有可能的转换：

doc --> pdf、html、txt、rtf

xls --> pdf、html、csv

ppt --> pdf, swf

html --> pdf

score 0 · Accepted Answer

你可以在线使用微软办公软件

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。

java - 在 Java 中以编程方式将 Word doc 转换为 HTML

11 回答 11

Related

Reference