在 Java 中以编程方式将 Word 文档转换为 HTML

Question

我需要用 Java 将 Word 文档转换为 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，则将生成 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 的开源/非商业 API，但没有结果。 请以前做过此类工作的人帮忙。

谢谢

Answer 1

在新的 MS Word docx 中执行此操作更容易，因为格式为 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，然后从该点开始您可以使用 HTML java 库轻松将其转换为 HTML 格式

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

Answer 2

我看到这个帖子出现在外部链接中，并且偶尔有帖子，所以我想我应该发布更新（希望没有人介意）。 OpenOffice 不断发展，3.2 版本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/导出多种格式的文档（包括 word 和 pdf）或使用像 JODReports 或 Docmosis 以提供便利。 两者都有免费/开放选项。

Answer 3

我尝试了这种方式，它在这个网站上与我一起工作
http://code.google.com/p/xdocreport/wiki/XWPFConverterXHTML

这只适用于 docx 将其转换为该 word 文档中包含图像的 html。

    // 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);

我希望这能解决您的问题

Answer 4

你必须找到 MS Word 文档规范（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浏览它，将 MS Word“对象/状态”转换为 html相当于 您也许可以找到一个脚本来为您做这件事，因为这确实不是一件有趣的工作，我建议您不要这样做（转换文件格式甚至自己读取商业文件总是很困难而且通常不完整）。
PS：只需 谷歌 doc2html

Answer 5

如果您的目标是使用 ooxml 格式的 Word 2007 文件，那么这篇文章 可能有帮助。
还有 Ooxml4j 项目正在为 Java 库实现 ooxml。

如果您的目标是二进制文件...那就是另一个问题。

Answer 6

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

Answer 7

您可以使用 microsoft office online

首先，在服务器端请求 https://view.officeapps.live.com/op/view.aspx?src='您的文档文件在线网址'，

然后使用 jsoup 解析结果 html

当从移动设备访问时，html 将有一个框架。

Answer 8

我推荐 JODConverter，它利用 OpenOffice.org，可以说它提供了最好的导入/导出过滤器OpenDocument 和 Microsoft Office 格式现已推出。

JODConverter 有大量文档、脚本和教程可以帮助您。

Answer 9

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：

生成一个执行类似操作的进程：

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

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

另一个选项是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，但从 Java 中实现这些操作并不容易，并且确实需要其他支持程序来通过 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。

Answer 10

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。

Answer 11

如果它是 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。

如果您想要每页一个 HTML，您可以使用 Word 放入 docx 中的 LastRenderedPageBreak 标记执行某些操作（假设您使用 Word 创建它）。