Программное преобразование документа Word в HTML на Java

Вам нужно будет найти спецификацию документа MS Word (поскольку это в основном двоичный дамп всего, что есть в слове в этот момент времени) и медленно пройти через него элемент за элементом, преобразовывая слово ms word «объекты / состояния» в html эквивалент Возможно, вы сможете найти сценарий, который сделает это за вас, так как это действительно неинтересная работа, и я бы не советовал от нее (преобразование форматов файлов или даже чтение из коммерческих файлов самостоятельно всегда сложно и часто неполно). PS: просто google doc2html

Если вы ориентируетесь на файлы Word 2007 с использованием формата ooxml, этот статья может помочь. И есть проект Ooxml4j, который реализует ooxml для библиотеки Java.

Если вы нацелены на двоичные файлы ... это еще одна проблема.

Я успешно использовал следующий подход в производственных системах, где новый формат MS Word XML недоступен:

Создать процесс, который делает что-то похожее на:

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

Вы, вероятно, захотите запустить openoffice один раз при запуске вашей программы и вызывать скрипт python столько раз в течение вашей программы, сколько вам нужно (с какой-то проверкой, чтобы гарантировать, что процесс ooffice всегда там).

Другой вариант - запускать команду следующего вида каждый раз, когда вам нужно выполнить преобразование:

ooffice -headless "macro: // <путь к макросу ooffice vb для преобразования, с параметром, указывающим на файл>"

Я использовал подход с макросами несколько раз, и он хорошо работает (извините, у меня нет доступного кода макроса).

Несмотря на то, что существуют механизмы для выполнения этого через MS Word, это непросто для Java, и для работы с MS Word через OLE требуются другие вспомогательные программы.

Раньше я тоже использовал abiword, который хорошо работает для многих документов, но меня путают с более сложными документами (ooffice, кажется, обрабатывает все, что я ему бросил). Abiword имеет немного более простой интерфейс командной строки для преобразования, чем ooffice.

Мы используем tm-extractors (http://mvnrepository.com/artifact/org.textmining/tm-extractors) и возвращаемся к коммерческому Aspose (http://www.aspose.com/). У обоих есть собственные Java API.

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");

Все возможные преобразования:

документ -> PDF, HTML, TXT, RTF

xls -> pdf, html, csv

ppt -> pdf, swf

HTML -> PDF

Если это docx, вы можете использовать docx4j (ASL v2). Это использует XSLT для создания HTML.

Однако это даст вам единый HTML-код для всего документа.

Если вам нужен HTML-код для каждой страницы, вы можете сделать что-нибудь с тегом lastRenderedPageBreak, который Word помещает в docx (при условии, что вы использовали Word для его создания).

Это проще сделать в новом документе MS word docx, так как он имеет формат XML. Вы можете использовать XSL для преобразования документа Word из формата XML в формат HTML.

Если, однако, ваш документ Word находится в старой версии, вы можете использовать библиотеку POI. http://poi.apache.org/, а затем получить к нему доступ и сгенерировать объект Java, и с этого момента вы можете легко преобразовать его в формат HTML с помощью библиотеки HTML java.

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

Я вижу, что эта ветка появляется во внешних ссылках и иногда в ней появляются сообщения, поэтому я решил опубликовать обновление (надеюсь, никто не возражает). OpenOffice продолжает развиваться, и в версии 3.2 снова улучшены фильтры импорта и экспорта слов. OpenOffice и Java могут работать на многих платформах, поэтому системы Java могут использовать OpenOffice UNO API напрямую для импорта / управления / экспорта документов во многих форматах (включая word и pdf) или использовать библиотеку, такую ​​как JODReports или Докмос, для облегчения. У обоих есть бесплатные / открытые варианты.

Я рекомендую JODConverter, он использует OpenOffice.org, который предоставляет, пожалуй, лучшие фильтры импорта / экспорта для форматов OpenDocument и Microsoft Office, доступные сегодня.

В JODConverter есть множество документов, скриптов и руководств, которые могут вам помочь.

Я пробовал этот способ, и он работает со мной с этого сайта http://code.google.com/p/xdocreport/wiki/XWPFConverterXHTML

Это работает только с docx, чтобы преобразовать его в HTML-изображения внутри этого текстового документа.

    // 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);

Надеюсь, это решит вашу проблему

вы можете использовать офис миксофт

во-первых, по запросу на стороне сервера https://view.officeapps.live.com/op/view.aspx?src='your doc file online url '

затем используйте jsoup, чтобы проанализировать результат html

при доступе с мобильного телефона html будет обернут рамкой.