在 JAVA 中使用 Apache POI 和 iText 从 Word (DOC) 创建 PDF

Question

我正在尝试从 *.doc 文档生成 PDF 文档。 到目前为止，多亏了 stackoverflow，我已经成功生成了它，但存在一些问题。

我下面的示例代码生成的 pdf 没有格式和图像，只有文本。 该文档包含 PDF 中未包含的空白和图像。

这是代码：

        in = new FileInputStream(sourceFile.getAbsolutePath());
        out = new FileOutputStream(outputFile);

        WordExtractor wd = new WordExtractor(in);

        String text = wd.getText();

        Document pdf= new Document(PageSize.A4);

        PdfWriter.getInstance(pdf, out);

        pdf.open();
        pdf.add(new Paragraph(text));

Answer 1

docx4j 包含用于创建 PDF 的代码使用 iText 的 docx。它还可以使用 POI 将 doc 转换为 docx。

曾经有一段时间，我们同等支持这两种方法（以及通过 XHTML 的 PDF），但我们决定重点关注 XSL-FO。

如果可以的话，您最好使用 docx4j 通过 XSL-FO 和 FOP 将 docx 转换为 PDF。

像这样使用它：

        wordMLPackage = WordprocessingMLPackage.load(new java.io.File(inputfilepath));

        // Set up font mapper
        Mapper fontMapper = new IdentityPlusMapper();
        wordMLPackage.setFontMapper(fontMapper);

        // Example of mapping missing font Algerian to installed font Comic Sans MS
        PhysicalFont font 
                = PhysicalFonts.getPhysicalFonts().get("Comic Sans MS");
        fontMapper.getFontMappings().put("Algerian", font);             

        org.docx4j.convert.out.pdf.PdfConversion c 
            = new org.docx4j.convert.out.pdf.viaXSLFO.Conversion(wordMLPackage);
        //  = new org.docx4j.convert.out.pdf.viaIText.Conversion(wordMLPackage);

        OutputStream os = new java.io.FileOutputStream(inputfilepath + ".pdf");         
        c.output(os);

2016 年 7 月更新

从 docx4j 3.3.0 开始，Plutext 的商业 PDF 渲染器是 docx4j 用于 docx 到 PDF 转换的默认选项。 可以在 converter-eval.plutext.com 尝试在线演示

如果您想使用现有的 docx， XSL-FO 到 PDF（或 Apache FOP 支持的其他目标）方法，然后只需将 docx4j-export-FO jar 添加到类路径中。

无论哪种方式，要将 docx 转换为 PDF，您可以使用 Docx4J 外观的 toPDF 方法。

通过 iText 代码将旧 docx 转换为 PDF 的方法可以在 https://github.com/plutext/docx4j-export-FO/.../docx4j-extras/PdfViaIText/

Answer 2

WordExtractor 只抓取纯文本，没有其他内容。这就是为什么您看到的只是纯文本。

您需要做的是单独获取每个段落，然后抓取每次运行，获取格式，并生成 PDF 中的等效内容。

一种选择可能是找到一些将 XHTML 转换为 PDF 的代码。然后，使用 Apache Tika 将您的 Word 文档转换为 XHTML（它在幕后使用 POI，并为您处理所有格式设置），并从 XHTML 转换为 PDF。

否则，如果您要自己动手，请查看 Apache Tika 中用于解析 Word 文件的代码。这是一个很好的例子，展示了如何获取图像、格式、样式等。

Answer 3

我已成功使用 Apache FOP 将“WordML”文档转换为 PDF。 WordML 是 Office 2003 将 Word 文档另存为 xml 的方法。可以在 Web 上找到 XSLT 样式表，以将此 xml 转换为 xml-fo，而 xml-fo 又可以由 FOP 呈现为 PDF（以及其他输出）。

它与 plutext 提供的解决方案没有太大不同，只是它不读取 .doc 文档，而 docx4j 显然可以。如果您的需求足够灵活，可以将 WordML 样式文档作为输入，那么这可能值得研究。

祝你的项目好运！
维姆

Answer 4

使用 OpenOffice/LbreOffice 和 JODConnector
这也主要适用于 .doc 到 .docx。不过我还没有解决图形问题。

    private static void transformDocXToPDFUsingJOD(File in, File out)
{
    OfficeDocumentConverter converter = new OfficeDocumentConverter(officeManager);
    DocumentFormat pdf = converter.getFormatRegistry().getFormatByExtension("pdf");
    converter.convert(in, out, pdf);
}



private static OfficeManager officeManager;

@BeforeClass
public static void setupStatic() throws IOException {

    /*officeManager = new DefaultOfficeManagerConfiguration()
      .setOfficeHome("C:/Program Files/LibreOffice 3.6")
      .buildOfficeManager();
      */
    officeManager = new ExternalOfficeManagerConfiguration().setConnectOnStart(true).setPortNumber(8100).buildOfficeManager();


    officeManager.start();
}

@AfterClass
public static void shutdownStatic() throws IOException {

    officeManager.stop();
}

您需要将 LibreOffice 作为服务器运行才能完成这项工作。
从命令行，您可以使用以下命令执行此操作：

"C:\Program Files\LibreOffice 3.6\program\soffice.exe" -accept="socket,host=0.0.0.0,port=8100;urp;LibreOffice.ServiceManager" -headless -nodefault -nofirststartwizard -nolockcheck -nologo -norestore

Answer 5

我最近遇到的另一个选择是使用 OpenOffice（或 LibreOffice）API（请参阅此处）。我还没能进入这个，但它应该能够打开各种格式的文档并以 pdf 格式输出。如果你研究这个，请告诉我它是如何工作的！