java poi word转html_Java：POI方式实现Word转html/htm

这里就不对POI做过多的说明了，贴个官网 https://poi.apache.org/，随意看看。

首先搞清楚下要将doc/docx文档转成html/htm的话要怎么处理，根据POI的文档，我们可以知道，处理doc 格式文件对应的 POI API 为 HWPF、docx 格式为 XWPF。此处参考下这篇好文：http://www.open-open.com/lib/view/open1389594797523.html 在格式转换上说得很清楚。

所以整体就是：根据文档类型，doc我们用HWPF对象处理转换、docx用XWPF对象处理转换。

一、处理doc。

这个相对简单，网上一查一堆，我的代码也是根据网上的做下自己的优化和逻辑。

因为POI很早前就可以支持doc的处理，所以资料比较多。

思路就是：HWPFDocument对象实例化文件流 -> WordToHtmlConverter对象处理HWPFDocument对象及预处理页面的图片等(主要是图片)

文档说明是：

Converts Word files (95-2007) into HTML files.

This implementation doesn't create images or links to them. This can be changed by overriding AbstractWordConverter.processImage(Element, boolean, Picture) method.

-> org.w3c.dom.Document对象处理WordToHtmlConverter，生成DOM对象 -> 输出文件。

这里有个好处就是使用到了Document对象，从而解决了编码、文件格式等问题。

这里因为过程简单，直接贴简单demo，看注释即可：

import java.io.ByteArrayOutputStream;

import java.io.File;

import java.io.FileInputStream;

import java.io.FileNotFoundException;

import java.io.FileOutputStream;

import java.io.InputStream;

import java.io.OutputStream;

import java.util.List;

import javax.xml.parsers.DocumentBuilderFactory;

import javax.xml.transform.OutputKeys;

import javax.xml.transform.Transformer;

import javax.xml.transform.TransformerFactory;

import javax.xml.transform.dom.DOMSource;

import javax.xml.transform.stream.StreamResult;

import org.apache.commons.io.FileUtils;

import org.apache.poi.hwpf.HWPFDocument;

import org.apache.poi.hwpf.converter.PicturesManager;

import org.apache.poi.hwpf.converter.WordToHtmlConverter;

import org.apache.poi.hwpf.usermodel.Picture;

import org.apache.poi.hwpf.usermodel.PictureType;

import org.apache.poi.xwpf.converter.core.FileImageExtractor;

import org.apache.poi.xwpf.converter.core.FileURIResolver;

import org.apache.poi.xwpf.converter.xhtml.XHTMLConverter;

import org.apache.poi.xwpf.converter.xhtml.XHTMLOptions;

import org.apache.poi.xwpf.usermodel.XWPFDocument;

import org.apache.poi.xwpf.usermodel.XWPFPictureData;

import org.w3c.dom.Document;

public class POIForeViewUtil {

public void parseDocx2Html() throws Throwable {

final String path = "F:\\";

final String file = "xxxxxxx.doc";

InputStream input = new FileInputStream(path + file);

String suffix = file.substring(file.indexOf(".")+1);// //截取文件格式名

//实例化WordToHtmlConverter，为图片等资源文件做准备

WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(

DocumentBuilderFactory.newInstance().newDocumentBuilder()

.newDocument());

wordToHtmlConverter.setPicturesManager(new PicturesManager() {

public String savePicture(byte[] content, PictureType pictureType,

String suggestedName, float widthInches, float heightInches) {

return suggestedName;

}

});

if ("doc".equals(suffix.toLowerCase())) {

// docx

HWPFDocument wordDocument = new HWPFDocument(input);

wordToHtmlConverter.processDocument(wordDocument);

//处理图片，会在同目录下生成 image/media/ 路径并保存图片

List pics = wordDocument.getPicturesTable().getAllPictures();

if (pics != null) {

for (int i = 0; i < pics.size(); i++) {

Picture pic = (Picture) pics.get(i);

try {

pic.writeImageContent(new FileOutputStream(path

+ pic.suggestFullFileName()));

} catch (FileNotFoundException e) {

e.printStackTrace();

}

}

}

}

// 转换

Document htmlDocument = wordToHtmlConverter.getDocument();

ByteArrayOutputStream outStream = new ByteArrayOutputStream();

DOMSource domSource = new DOMSource(htmlDocument);

StreamResult streamResult = new StreamResult(outStream);

TransformerFactory tf = TransformerFactory.newInstance();

Transformer serializer = tf.newTransformer();

serializer.setOutputProperty(OutputKeys.ENCODING, "utf-8");//编码格式

serializer.setOutputProperty(OutputKeys.INDENT, "yes");//是否用空白分割

serializer.setOutputProperty(OutputKeys.METHOD, "html");//输出类型

serializer.transform(domSource, streamResult);

outStream.close();

String content = new String(outStream.toByteArray());

FileUtils.writeStringToFile(new File(path, "interface.html"), content,

"utf-8");

}

public static void main(String[] args) throws Throwable {

new POIForeViewUtil().parseDocx2Html();

}

}

接着看第二种

二、处理docx。

docx是07的版本，处理起来困难的多，貌似POI对docx的处理方法没有doc那么便捷，处理样式等等都有问题，我遇到的两个最明显问题就是字体编码问题和表格的边框线显示。

思路：XWPFDocument加载文件流 -> XHTMLOptions处理页面资源(主要图片) -> OutputStream输出流直接输出文件。

过程代码相当简单，可是越简单结果约没有预期的好。输出的文件字体编码默认为GBK，例如我的“微软雅黑”字体就变成“寰蒋闆呴粦”，而且节点的显示也没有doc处理的好。

同样贴一下demo代码：

import java.io.File;

import java.io.FileInputStream;

import java.io.FileOutputStream;

import java.io.IOException;

import java.io.InputStream;

import java.io.OutputStream;

import javax.xml.transform.OutputKeys;

import javax.xml.transform.Transformer;

import javax.xml.transform.TransformerFactory;

import javax.xml.transform.stream.StreamResult;

import org.apache.poi.xwpf.converter.core.FileImageExtractor;

import org.apache.poi.xwpf.converter.core.FileURIResolver;

import org.apache.poi.xwpf.converter.xhtml.XHTMLConverter;

import org.apache.poi.xwpf.converter.xhtml.XHTMLOptions;

import org.apache.poi.xwpf.usermodel.XWPFDocument;

import org.apache.poi.xwpf.usermodel.XWPFPictureData;

public class Word07ToHtml {

public static void parseToHtml() throws IOException {

File f = new File("F:/xxxxx.docx");

if (!f.exists()) {

System.out.println("Sorry File does not Exists!");

} else {

if (f.getName().endsWith(".docx") || f.getName().endsWith(".DOCX")) {

// 1) 加载XWPFDocument及文件

InputStream in = new FileInputStream(f);

XWPFDocument document = new XWPFDocument(in);

// 2) 实例化XHTML内容(这里将会把图片等文件放到生成的"word/media"目录)

File imageFolderFile = new File("f:/opt");

XHTMLOptions options = XHTMLOptions.create().URIResolver(

new FileURIResolver(imageFolderFile));

options.setExtractor(new FileImageExtractor(imageFolderFile));

//options.setIgnoreStylesIfUnused(false);

//options.setFragment(true);

// 3) 将XWPFDocument转成XHTML并生成文件

OutputStream out = new FileOutputStream(new File(

"F:/result.html"));

XHTMLConverter.getInstance().convert(document, out, null);

} else {

System.out.println("Enter only MS Office 2007+ files");

}

}

}

public static void main(String args[]) {

try {

//String string = new String("寰蒋闆呴粦".getBytes("GBK"), "UTF-8");

//System.out.println(string);

parseToHtml();

} catch (IOException e) {

e.printStackTrace();

}

}

}

由于已将两个Demo移出项目，没有截图。

POI的jar包下载路径：