Mammoth：Java/JVM的高效.docx转HTML工具

Mammoth：Java/JVM的高效.docx转HTML工具

Mammoth是一款强大的开源工具，专为Java和JVM环境设计，可以将Microsoft Word、Google Docs以及LibreOffice创建的.docx文档转换为简洁的HTML。它的核心理念是利用文档中的语义信息进行转换，忽略不必要的细节，如字体、字号和颜色等样式信息。例如，它会将标记为"Heading 1"的段落转换为<h1>标签，而非复制其原始样式。

该项目旨在应对.docx和HTML之间结构的巨大差异，尽管对于复杂的文档，转换可能并不完美。但如果你仅依赖样式来对文档进行语义化标注，那么Mammoth的表现将非常出色。

主要特性包括：

• 标题（Headings）
• 列表（Lists）
• 自定义.docx样式到HTML的映射，比如将WarningHeading映射为<h1>.warning
• 表格（Tables）
• 脚注和尾注（Footnotes and Endnotes）
• 图像（Images）
• 粗体、斜体、下划线、删除线、上标和下标（Bold, Italics, Underlines, Strikethrough, Superscript and Subscript）
• 链接（Links）
• 换行（Line Breaks）
• 文本框（Text Boxes）

安装与使用

Mammoth已上线Maven Central，只需简单地在你的pom.xml中添加以下依赖：

<dependency>
  <groupId>org.zwobble.mammoth</groupId>
  <artifactId>mammoth</artifactId>
  <version>1.5.0</version>
</dependency>

此外，该工具还支持JavaScript（浏览器和Node.js）、Python、WordPress和.NET平台。

基本使用

要将现有的.docx文件转换为HTML，首先创建一个DocumentConverter实例，然后调用convertToHtml方法，传入File对象即可。例如：

import org.zwobble.mammoth.DocumentConverter;
import org.zwobble.mammoth.Result;

DocumentConverter converter = new DocumentConverter();
Result<String> result = converter.convertToHtml(new File("document.docx"));
String html = result.getValue(); // 获取生成的HTML
Set<String> warnings = result.getWarnings(); // 获取转换过程中的警告信息

自定义映射和图像处理

你可以通过addStyleMap方法添加自定义风格映射，并通过imageConverter方法设置自定义的图像处理器，以改变默认的行为，如如何处理图片链接或自定义HTML元素。

Mammoth提供了灵活的API，如DocumentConverter类的一系列方法，供你在转换过程中实现更精细的控制，包括处理评论、修改默认样式行为等。

总体而言，Mammoth是一个实用且易用的库，无论你是开发者还是内容创作者，都能轻松地将你的.docx文档转化为适应现代Web的HTML。无论是用于博客、网站还是其他在线内容发布，Mammoth都是值得信赖的得力助手。