OpenOffice转Word为HTML

最新推荐文章于 2022-05-12 22:26:36 发布

D丶ream

最新推荐文章于 2022-05-12 22:26:36 发布

阅读量429

点赞数 1

分类专栏： Word文档操作文章标签： OpenOffice OpenOffice转Word为HTML Word转为HTML OpenOffice使用

本文链接：https://blog.csdn.net/h1059141989/article/details/102567703

版权

Word文档操作专栏收录该内容

3 篇文章 0 订阅

订阅专栏

OpenOffic的格式识别比POI好，比Jacob差。但是可以多平台运行。使用过程比较麻烦

下载OpenOffice，并安装
下载Jodconverter
启动openOffice
在cmd命令行，进入到OpenOffice安装目录下的program文件夹下运行
soffice -headless -accept="socket,port=8100;urp;"
部分电脑需要输入以下内容
soffice -headless -accept="socket,host=127.0.0.1,port=8100;urp;" -nofirststartwizard
引入Jodconverter压缩包中lib文件夹下所有的jar包
代码

import com.artofsolving.jodconverter.DocumentConverter;
import com.artofsolving.jodconverter.openoffice.connection.OpenOfficeConnection;
import com.artofsolving.jodconverter.openoffice.connection.SocketOpenOfficeConnection;
import com.artofsolving.jodconverter.openoffice.converter.OpenOfficeDocumentConverter;

import java.io.*;
import java.net.ConnectException;
import java.util.Date;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class OpenOffice {

    public static void main(String[] args) throws Exception {
        System.out
                .println(toHtmlString(new File("C:\\Users\\xxx\\Desktop\\aaa.docx"), "D:/test"));
    }

    /**
     * 将word文档转换成html文档
     */
    public static File convert(File docFile, String filepath) {
        // 创建保存html的文件
        File htmlFile = new File(filepath + "/" + new Date().getTime() + ".html");
        // 创建Openoffice连接
        OpenOfficeConnection con = new SocketOpenOfficeConnection(8100);
        try {
            // 连接
            con.connect();
        } catch (ConnectException e) {
            System.out.println("获取OpenOffice连接失败...");
            e.printStackTrace();
        }
        // 创建转换器
        DocumentConverter converter = new OpenOfficeDocumentConverter(con);
        // 转换文档问html
        converter.convert(docFile, htmlFile);
        // 关闭openoffice连接
        con.disconnect();
        return htmlFile;
    }

    /**
     * 将word转换成html文件，并且获取html文件代码。
     */
    public static String toHtmlString(File docFile, String filepath) throws Exception {
        // 转换word文档
        File htmlFile = convert(docFile, filepath);

        String charSet = "UTF-8";

        InputStream in= new java.io.FileInputStream(htmlFile);
        byte[] b = new byte[3];
        in.read(b);
        in.close();
        if (b[0] == -17 && b[1] == -69 && b[2] == -65)
            charSet = "UTF-8";
        else
            charSet = "GBK";

        // 获取html文件流
        StringBuffer htmlSb = new StringBuffer();
        try {
            BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(htmlFile),charSet));
            while (br.ready()) {
                htmlSb.append(br.readLine());
            }
            br.close();
            // 删除临时文件
//            htmlFile.delete();
        } catch (Exception e) {
            e.printStackTrace();
        }
        // HTML文件字符串
        String htmlStr = htmlSb.toString();
        // 返回经过清洁的html文本
        return clearFormat(htmlStr, filepath);
    }

    /**
     * 清除一些不需要的html标记
     */
    protected static String clearFormat(String htmlStr, String docImgPath) {
        // 获取body内容的正则
        String bodyReg = "<BODY .*</BODY>";
        Pattern bodyPattern = Pattern.compile(bodyReg);
        Matcher bodyMatcher = bodyPattern.matcher(htmlStr);
        if (bodyMatcher.find()) {
            // 获取BODY内容，并转化BODY标签为DIV
            htmlStr = bodyMatcher.group().replaceFirst("<BODY", "<DIV")
                    .replaceAll("</BODY>", "</DIV>");
        }
        // 调整图片地址
        htmlStr = htmlStr.replaceAll("<IMG SRC=\"", "<IMG SRC=\"" + docImgPath+ "/");
        // 把<P></P>转换成</div></div>并删除样式
        htmlStr = htmlStr.replaceAll("(<P)([^>]*)(>.*?)(<\\/P>)", "<p$3</p>");
        // 删除不需要的标签
        htmlStr = htmlStr
                .replaceAll(
                        "<[/]?(font|FONT|span|SPAN|xml|XML|del|DEL|ins|INS|meta|META|[ovwxpOVWXP]:\\w+)[^>]*?>",
                        "");
        // 删除不需要的属性
        htmlStr = htmlStr
                .replaceAll(
                        "<([^>]*)(?:lang|LANG|class|CLASS|style|STYLE|size|SIZE|face|FACE|[ovwxpOVWXP]:\\w+)=(?:'[^']*'|\"\"[^\"\"]*\"\"|[^>]+)([^>]*)>",
                        "<$1$2>");
        return htmlStr;
    }
}

D丶ream

关注

1
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
OpenOffice转Word为HTML

OpenOffic的格式识别比POI好，比Jacob差。但是可以多平台运行。使用过程比较麻烦下载OpenOffice，并安装下载Jodconverter启动openOffice在cmd命令行，进入到OpenOffice安装目录下的program文件夹下运行soffice -headless -accept="socket,port=8100;urp;"部分电脑需要输入以下内容sof...
复制链接

扫一扫