word转html时设置标题,Word文档转html并提取标题

最近做了一个功能，需要将word文档转化成html的格式，并提取出标题生成导航。考虑到功能的复杂程度，将需要降低为对“标题1”这种格式进行提取。

docx为后缀的文档(word2007)支持XML的文件格式，本质上是一个zip压缩包，解压出来就可以看到所有信息，可能正因为如果，使用XHTMLConverter便可以得到对应的html文档，且标题元素的class属性被标注为"X"+n(n为标题层级)。

但doc文档但相对麻烦，doc文档一般使用poi读取，用的比较多的html转换方式是使用poi中的WordToHtmlConverter进行转换，这个转换器并不会对标题进行特殊处理，将其当做普通有样式的一个段落(Paragraph)进行处理，因此会和其他普通段落混合在一起。对此有两种处理方法：

方案一：重写processParagraph方法，在标黄部分加上对标题的判断，对标题进行特殊处理，但由于WordToHtmlConverter的成员变量均声明为private，因此我采用了另一种方案。

protected void processParagraph(HWPFDocumentCore hwpfDocument, Element parentElement, int currentTableLevel, Paragraph paragraph, String bulletText) {

Element pElement = this.htmlDocumentFacade.createParagraph();

parentElement.appendChild(pElement);

StringBuilder style = new StringBuilder();

WordToHtmlUtils.addParagraphProperties(paragraph, style);

int charRuns = paragraph.numCharacterRuns();

if(charRuns != 0) {

CharacterRun characterRun = paragraph.getCharacterRun(0);

String pFontName;

int pFontSize;

if(characterRun != null) {

Triplet triplet = this.getCharacterRunTriplet(characterRun);

pFontSize = characterRun.getFontSize() / 2;

pFontName = triplet.fontName;

WordToHtmlUtils.addFontFamily(pFontName, style);

WordToHtmlUtils.addFontSize(pFontSize, style);

} else {

pFontSize = -1;

pFontName = "";

}

this.blocksProperies.push(new WordToHtmlConverter.BlockProperies(pFontName, pFontSize));

try {

if(WordToHtmlUtils.isNotEmpty(bulletText)) {

if(bulletText.endsWith("\t")) {

float defaultTab = 720.0F;

float firstLinePosition = (float)(paragraph.getIndentFromLeft() + paragraph.getFirstLineIndent() + 20);

float nextStop = (float)(Math.ceil((double)(firstLinePosition / 720.0F)) * 720.0D);

float spanMinWidth = nextStop - firstLinePosition;

Element span = this.htmlDocumentFacade.getDocument().createElement("span");

this.htmlDocumentFacade.addStyleClass(span, "s", "display: inline-block; text-indent: 0; min-width: " + spanMinWidth / 1440.0F + "in;");

pElement.appendChild(span);

Text textNode = this.htmlDocumentFacade.createText(bulletText.substring(0, bulletText.length() - 1) + ‘\u200b‘ + ‘ ‘);

span.appendChild(textNode);

} else {

Text textNode = this.htmlDocumentFacade.createText(bulletText.substring(0, bulletText.length() - 1));

pElement.appendChild(textNode);

}

}

this.processCharacters(hwpfDocument, currentTableLevel, paragraph, pElement);

} finally {

this.blocksProperies.pop();

}

if(style.length() > 0) {

this.htmlDocumentFacade.addStyleClass(pElement, "p", style.toString());

}

WordToHtmlUtils.compactSpans(pElement);

}

}

方案二：在word文档中进行埋点，然后在处理过后的html文档中根据itTitleMap进行再处理

private Map setTitleElements(HWPFDocument wordObject ){

// 获取样式表

StyleSheet styleSheet = wordObject.getStyleSheet();

int styleTotal = wordObject.getStyleSheet().numStyles();

// 使用map映射存储标题信息

Map idTitleMap = Maps.newHashMap();

Range range = wordObject.getRange();

for (int i = 0; i < range.numParagraphs(); i++) {

// 获取样式信息

Paragraph paragraph = range.getParagraph(i);

int styleIndex = paragraph.getStyleIndex();

if (styleTotal > styleIndex) {

StyleDescription styleDescription = styleSheet.getStyleDescription(styleIndex);

String descriptionName = styleDescription.getName();

if ( descriptionName != null && descriptionName.contains(FIRST_LEVEL_TITLE_DESCRIPTION)) {

String uuid = UUIDHelper.getUuid();

String text = paragraph.text().replaceAll( "[\r\n]", "" );

paragraph.replaceText( uuid, false );

idTitleMap.put( uuid, text );

}

}

}

return idTitleMap;

}