从 Word 文档转换为 HTML

Question

我想使用 Word Viewer 将 Word 文档保存为 HTML 格式，而无需在我的计算机中安装 Word。在C#中有什么办法可以实现这一点吗？

Answer 1

要将 .docx 文件转换为 HTML 格式，您可以使用 OpenXmlPowerTools。确保添加对 OpenXmlPowerTools.dll 的引用。

using OpenXmlPowerTools;
using DocumentFormat.OpenXml.Wordprocessing;

byte[] byteArray = File.ReadAllBytes(DocxFilePath);
using (MemoryStream memoryStream = new MemoryStream())
{
     memoryStream.Write(byteArray, 0, byteArray.Length);
     using (WordprocessingDocument doc = WordprocessingDocument.Open(memoryStream, true))
     {
          HtmlConverterSettings settings = new HtmlConverterSettings()
          {
               PageTitle = "My Page Title"
          };
          XElement html = HtmlConverter.ConvertToHtml(doc, settings);

          File.WriteAllText(HTMLFilePath, html.ToStringNewLineOnAttributes());
     }
}

Answer 2

您可以尝试使用 Microsoft.Office.Interop.Word;

   using Word = Microsoft.Office.Interop.Word;

    public static void ConvertDocToHtml(object Sourcepath, object TargetPath)
    {

        Word._Application newApp = new Word.Application();
        Word.Documents d = newApp.Documents;
        object Unknown = Type.Missing;
        Word.Document od = d.Open(ref Sourcepath, ref Unknown,
                                 ref Unknown, ref Unknown, ref Unknown,
                                 ref Unknown, ref Unknown, ref Unknown,
                                 ref Unknown, ref Unknown, ref Unknown,
                                 ref Unknown, ref Unknown, ref Unknown, ref Unknown);
        object format = Word.WdSaveFormat.wdFormatHTML;



        newApp.ActiveDocument.SaveAs(ref TargetPath, ref format,
                    ref Unknown, ref Unknown, ref Unknown,
                    ref Unknown, ref Unknown, ref Unknown,
                    ref Unknown, ref Unknown, ref Unknown,
                    ref Unknown, ref Unknown, ref Unknown,
                    ref Unknown, ref Unknown);

        newApp.Documents.Close(Word.WdSaveOptions.wdDoNotSaveChanges);


    }

Answer 3

我编写了 Mammoth for .NET，它是一个将 docx 文件转换为 HTML 的库，并且是 < a href="https://www.nuget.org/packages/Mammoth" rel="nofollow">可在 NuGet 上使用。

Mammoth 尝试通过查看语义信息来生成干净的 HTML - 例如，将 Word 中的段落样式（例如 Heading 1）映射到 HTML/CSS 中的适当标签和样式（例如 < ;h1>）。如果您想要产生精确视觉副本的东西，那么猛犸象可能不适合您。如果您有一些已经结构良好的内容并希望将其转换为整洁的 HTML，Mammoth 可能会满足您的要求。

Answer 4

根据这个Stack Overflow问题，使用Word查看器是不可能的。您将需要 Word 才能使用 COM Interop 与 Word 进行交互。

Answer 5

我认为这取决于Word文档的版本。如果您有 docx 格式的文件，我相信它们会以 XML 数据的形式存储在文件中（但自从我查看规范以来已经很久了，我非常高兴能对此进行更正）。

Answer 6

如果您愿意不使用 C#，您可以使用 PrimoPDF 进行打印到文件之类的操作（这会将 .doc 更改为 .pdf），然后使用 PDF 到 HTML 转换器完成剩下的工作。之后，您可以根据需要编辑 html。

Answer 7

Gembox 效果很好。它甚至可以将 Word 文档中的图像转换为 img 标签中的 base64 编码字符串。

Answer 8

使用 OpenOffice.org 中提供的文档转换工具可能是唯一可能的选择 - .doc 格式只能通过 Microsoft 产品打开，因此任何处理它的库都需要对整个格式进行逆向工程。