openOffice 把word转换成html

最新推荐文章于 2022-09-06 10:59:35 发布

jadethao

最新推荐文章于 2022-09-06 10:59:35 发布

阅读量94

点赞数

分类专栏： Java 文章标签： java 操作系统

Java 专栏收录该内容

14 篇文章 0 订阅

订阅专栏

[size=medium]最近项目中需要把word转换成html格式，直接通过Java代码转化，出来的格式对不上号，网上找到有一些方法，可以接触一下插件或者第三方jar可以进行转换，这里先说说，使用openOffices 转换的过程以及使用.

1、下载安装OpenOffice.org 3.4.1，安装过程略过。
官网地址：[url]http://download.openoffice.org/index.html[/url]
2、下载第三方包Jodconverter.jar，开启OpenOffice进行格式转化
官网地址：[url] http://www.artofsolving.com/opensource/jodconverter[/url]

3、一切准备工作就绪开始动手时间，

首先，启动端口：
进入dos, cd C:\Program Files (x86)\OpenOffice.org 3\program
启动命令：soffice -headless -accept="socket,port=8100;urp;[/size]


package com.artofsolving.jodconverter.test;

import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.IOException;
import java.io.InputStreamReader;
import java.net.ConnectException;
import java.nio.charset.Charset;
import java.util.Date;
import java.util.HashMap;
import java.util.Map;
import java.util.Set;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

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;

/**
 * 
 * 端口启动命令：
 * soffice -headless -accept="socket,port=8100;urp;
 * C:\Program Files (x86)\OpenOffice.org 3\program
 * 
 * 将Word文档转换成html字符串的工具类
 * 
 * 
 */

public class Test {

	public static void main(String[] args) {
		toHtmlString(new File("C:\\Users\\Administrator\\Desktop\\a111.doc"), "E:/test");
	}

	/**
	 * 将word文档转换成html文档
	 * @param docFile   需要转换的word文档
	 * @param filepath  转换之后html的存放路径
	 * @return 转换之后的html文件
	 */
	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。
	 * @param docFile  需要转换的文档
	 * @param filepath  文档中图片的保存位置
	 * @return 转换成功的html代码
	 */
	public static String toHtmlString(File docFile, String filepath) {
		// 转换word文档
		File htmlFile = convert(docFile, filepath);

		/*try {
			FileUtils.copyFile(docFile,new File("e://ee.doc"));
			FileInputStream input = FileUtils.openInputStream(docFile);
			FileOutputStream output = new FileOutputStream(new File("e://ff.doc"));
			IOUtils.copyLarge(input, output);

		} catch (IOException e1) {
			e1.printStackTrace();
		}*/
		// 获取html文件流
		StringBuffer htmlSb = new StringBuffer();
		try {
			BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(htmlFile),Charset.forName("gb2312")));
			while (br.ready()) {
				htmlSb.append(br.readLine());
			}
			br.close();
			// 删除临时文件
			htmlFile.delete();
		} catch (FileNotFoundException e) {
			e.printStackTrace();
		} catch (IOException e) {
			e.printStackTrace();
		}
		// HTML文件字符串
		String htmlStr = htmlSb.toString();
		System.out.println("htmlStr=" + htmlStr);
		// 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
	 * 
	 * 
	 * 
	 * @param htmlStr
	 * 
	 *            带有复杂html标记的html语句
	 * 
	 * @return 去除了不需要html标记的语句
	 */

	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>保留样式
		// content = content.replaceAll("(<P)([^>]*>.*?)(<\\/P>)",
		// "<div$2</div>");
		// 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;

	}

}