java如何解析word大纲_Java解析OFFICE(word,excel,powerpoint)以及PDF的实现方案及开发中的点滴分享...

Java解析OFFICE(word,excel,powerpoint)以及PDF的实现方案及开发中的点滴分享

在此，先分享下写此文前的经历与感受，我所有的感觉浓缩到一个字，那就是:"坑",如果是两个字那就是"巨坑"=>因为这个需求一开始并不是这样子的，且听我漫漫道来：

一开始客户与我们商量的是将office和PDF上传，将此类文件解析成html格式，在APP端调用内置server直接以html"播放"

经历一个月~，两个月~，三个月~~~

到需求开发阶段，发现这是个坑。。。：按照需规的意思这个整体是当做一个功能来做的，技术难度也就算了，而且按照估算的工时也很难做成需规所需要的样子(缺陷太多！)

然后一周~，一周~，又一周~~~

各种方案下来将需求做成能用的样子，然后需求确认时客户说：“我们没有要求你们能解析这些文档，我们只要求你们当做一个源文件上传，在APP端点击直接能选择调用第三方应用打开就行了，而且一开始我们的需求就是这样的。”

/**听完，顿时泪流满面(ಥ _ ಥ)，如果业务一开始就确认这样做，何至于浪费如此多的时间，花费如此多的精力绕老大一圈。。。*/

需求绕了一圈又绕回来了，作为经历过的人，现在总结下这需求里面无尽的坑：

A>开源社区有很多Demo，这些Demo有很多缺陷，比如office里面的艺术字、图片、公式、颜色样式、视频和音频不能解析

B>能解析的对象，解析出来的效果不是很好，比如word和ppt自身的排版乱了,excel单元格里面的自定义格式全变成数字了~等等

C>开源社区的资料并不是很全，导致的结果是不同的文档类型需要用不同的解析方式去解析，比如word用docx4j解析、excel用poi解析带来的代码量巨大

D>由于代码自身的解析效果不是很好，更改后的方案需要在上传之前将源文件处理成其他的形式，如pdf需要切成图片，ppt需要转换成视频或是图片，这样一来需求实现的方式就变成半自动了╥﹏╥...

E>word用docx4j解析一个很大的问题是解析的效率太低了，5MB以上的文件或者内容比较复杂的word文档解析十分耗时，解析效率太低，再一就是poi解析数据量比较大的Exel(比如>1000行)容易造成内存溢出，不好控制

F>工时太短，只有15天。。。，加班加点(⊙︿⊙) ，包工头，加工资！！！ε=怒ε=怒ε=怒ε=怒ε=( o｀ω′)ノ

以上吐槽完了，该展示下最终成果了~

　　

　　

　　

上4图从左至右依次是pdf、ppt、word、excel的解析html的效果，由于涉及开发协议上图1和图2部分地方有涂抹，且以上只是浏览器模拟手机显示，遂显示效果较为粗糙，在此十分抱歉~

下面介绍一下我的最终实现思路：

A>Word文档分两种格式(03版)doc和(07版)docx，由于doc属于即将淘汰的格式同时为方便使用docx4j一步到位的实现方式，故不考虑doc格式文档

B>同Word一样，excel也不考虑旧版格式的转换，方案是选用第三方Demo实现，涉及到具体的技术就是 poi.hssf

C>PowerPoint(ppt)由于内置对象比较多，为保证客户的使用体验，我的方案是将ppt直接导出成mp4或图片(需打zip包)上传，再用代码包装成html

D>对于pdf，同样没有很好的Demo实现成html，遂同ppt一样通过软件转换成图片的形式打包上传，再用代码包装成html

先展示下word解析的相关代码:

(代码片段一)

1 public static void Word2Html() throwsFileNotFoundException, Docx4JException{2 //需在log4j内配置docx4j的级别

3 WordprocessingMLPackage wmp = WordprocessingMLPackage.load(new File("C:\\Users\\funnyZpC\\Desktop\\Test\\word.docx"));4 Docx4J.toHTML(wmp, "C:\\Users\\funnyZpC\\Desktop\\result\\wordIMG", "wordIMG", new FileOutputStream(new File("C:\\Users\\funnyZpC\\Desktop\\result\\word.html")));5 }

(代码片段二)

1 public ProcessFileInfo processDOCX(File file,String uploadPath)throwsException{2 String fileName=file.getName().substring(0,file.getName().lastIndexOf("."));//获取文件名称

3 WordprocessingMLPackage wmp = WordprocessingMLPackage.load(file);//加载源文件

4 String basePath=String.format("%s%s%s", uploadPath,File.separator,fileName);//基址

5 FileUtils.forceMkdir(new File(basePath));//创建文件夹

6 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,fileName,"ZIP");//最终生成文件的路径

7 Docx4J.toHTML(wmp, String.format("%s%s%s", basePath,File.separator,fileName),fileName,new FileOutputStream(new File(String.format("%s%s%s", basePath,File.separator,"index.html"))));//解析

8 scormService.zip(basePath, zipFilePath);//压缩包

9 FileUtils.forceDelete(new File(basePath));//删除临时文件夹

10 file.delete();//解析完成，删除原docx文件

11 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath);//返回目标文件相关信息

12 }

解析word(docx)文档所需要的代码简单到只需要两行代码(代码片段一3、4两行)，以上(代码片段二)是实际开发的代码，建议对比片段一看，同时由于项目可能会部署在linux系统下，建议使用File.separator来代替"/"或者"\"路径分隔符；同时，需要解释的是toHtml方法的四个参数==>

Docx4j.toHtml(加载源docx文件的WordprocessingMLPackage实例化对象，存放解析结果(html和图片)的基目录,存放图片的文件夹名称(在基目录下),输出主html的输出流对象);

下图是输出的结果的目录：

由于docx4j内部的log较多，默认Demo测试的时候输出文件会有如下提示：

这句话的大意是：如需隐藏此消息，请设置docx4j的debug的级别。解决的方式是在实际项目的log4j.properties中添加docx4j的消息级别为ERROR，如：

如果使用maven管理项目，直接在pom.xml里面添加docx4j的dependency，如果需手动配置docx4j及其依赖包，一定要注意依赖包与当前docx4j的版本对应性(推荐3.3.5的docx4j，解析效果会好一些！)否则各种毛病啊~，下图是maven仓库的一些说明，如需手动配置依赖一定要

下面的代码是Excel解析word的部分代码片段(代码不全,如有需要请邮件私我)：

(代码片段一)

1 /**

2 *3 *@paramfile 源文件:c://xx//xx.xlsx4 *@paramuploadPath 基目录地址5 *@return

6 *@throwsException7 */

8 public ProcessFileInfo processXLSX(File file,String uploadPath)throwsException {9 List sheets=Excel2HtmlUtils.readExcelToHtml(file.getPath());10 FileUtils.forceMkdir(new File(uploadPath));//创建文件夹

11 String code=file.getName().substring(0,file.getName().lastIndexOf("."));//文件名称

12 String basePath=String.format("%s%s%s", uploadPath,File.separator,code);13 FileUtils.forceMkdir(newFile(basePath));14 File htmlFile = new File(String.format("%s%s%s", basePath,File.separator,"index.html"));15 Writer fw=null;16 PrintWriter bw=null;17 //构建html文件

18 try{19 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(htmlFile.getPath()),"UTF-8"));20 bw=newPrintWriter(fw);21 //添加表头及可缩放样式

22 String head="

";23 StringBuilder body=newStringBuilder();24 for(String e : sheets) {25 body.append(e);26 }27 String foot="";28 bw.write(String.format("%s%s%s", head,body.toString(),foot));29 }catch(Exception e){30 throw new Exception("");//错误扔出

31 }finally{32 if (bw != null) {33 bw.close();34 }35 if(fw!=null){36 fw.close();37 }38 }39 String htmlZipFile=String.format("%s%s%s.%s",uploadPath,File.separator,file.getName().substring(0,file.getName().lastIndexOf(".")),"ZIP");40 //压缩文件

41 scormService.zip(basePath, htmlZipFile);42 file.delete();//删除上传的xlsx文件

43 FileUtils.forceDelete(newFile(basePath));44 return new ProcessFileInfo(true,newFile(htmlZipFile).getName(),htmlZipFile);45 }

View Code

(代码片段二)

1 /**

2 * 程序入口方法3 *4 *@paramfilePath5 * 文件的路径6 *@return

9 * 字符串10 */

11 public static ListreadExcelToHtml(String filePath) {12 List htmlExcel=null;13 try{14 File sourcefile = newFile(filePath);15 InputStream is = newFileInputStream(sourcefile);16 Workbook wb =WorkbookFactory.create(is);17 htmlExcel =getExcelToHtml(wb);18 } catch(EncryptedDocumentException e) {19 e.printStackTrace();20 } catch(FileNotFoundException e) {21 e.printStackTrace();22 } catch(InvalidFormatException e) {23 e.printStackTrace();24 } catch(IOException e) {25 e.printStackTrace();26 }27 returnhtmlExcel;28

29 }

View Code

以上只展示了xlsx文件的内容包装和解析excel的入口方法，整个解析类全部放在了utils包下面，service里面只管调用方法传参就好了,如下图：

解析Excel的工具类一共有四个文件类，其中Excel2HtmlUtils是入口类，其它三个均是关联Excel2HtmlUtils类处理Excel样式，需要注意的是:工具类处理Excel的时候一定要限制处理记录的数量,以免造成内存溢出错误，顺便说下：如果您解析的html供移动端使用，建议给html设置可缩放大小=>transform: scale(0.7,0.7);-webkit-transform: scale(0.7,0.7);。

说完Excel解析，下面给出pdf(图片ZIP包)解析html的代码片段，由于代码较为简单，不多的解释，以下是具体的实现代码：

1 /**

2 * 根据文件名中的数字排列图片3 * a>提取文件名中的数字放入int数组(序列)4 * b>判断序列数组元素个数与文件个数是否一致,不一致则抛出5 * c>将序列数组从小到大排列6 * d>遍历序列数组获取Map中的文件名(value)并写html7 */

8 String nm=null;9 int[] i=new int[imgNames.size()];10 Map names=new HashMap();11 Pattern p=Pattern.compile("[^0-9]");12 for(int j=0;j

14 String idx=p.matcher(nm).replaceAll("").trim();15 i[j]=Integer.parseInt("".equals(idx)?"0":idx);16 names.put(i[j],imgNames.get(j));17 }18 if(names.keySet().size()!=i.length){19 //System.out.println("====请检查您的图片编号====");/*重复或者不存在数字编号*/

20 return new ProcessFileInfo(false,null,null);21 }22 Arrays.sort(i);//int数组内元素从小到大排列23

24 //包装成html

25 StringBuilder html=newStringBuilder();26 html.append("

PDF");27 html.append("");28 for (intk : i) {29 html.append(String.format("%s%s%s%s%s","

"));30 }31 html.append("");32 File indexFile=new File(String.format("%s%s%s",basePath,File.separator,"index.html"));33 Writer fw=null;34 PrintWriter bw=null;35 //构建文件(html写入html文件)

36 try{37 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(indexFile),"UTF-8"));//以UTF-8的格式写入文件

38 bw=newPrintWriter(fw);39 bw.write(html.toString());40 }catch(Exception e){41 throw new Exception(e.toString());//错误扔出

42 }finally{43 if (bw != null) {44 bw.close();45 }46 if(fw!=null){47 fw.close();48 }49 }50 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,file.hashCode(),"ZIP");51 scormService.zip(basePath, zipFilePath);52 //删除文件

53 file.delete();54 FileUtils.forceDelete(newFile(basePath));55 return new ProcessFileInfo(true,newFile(zipFilePath).getName(),zipFilePath);56 }

View Code

同Excel，由于我将ppt存为mp4格式，上传后只需要做简单包装就可以了，处理的时候一定要注意html对视频的相对引用，以下是具体的实现代码：

1 /**

2 *3 *@paramfile 上传的文件的路径 c://xx.//xxx.mp44 *@paramuploadPath 保存html的基目录路径5 *@return

6 *@throwsException7 */

8 public ProcessFileInfo processPPTX(File file,String uploadPath)throwsException{9 String fileName=file.getName().substring(0,file.getName().lastIndexOf("."));//获取文件名称

10 String suffix=file.getName().substring(file.getName().lastIndexOf(".")+1,file.getName().length()).toLowerCase();//音频文件后缀名

11 String basePath=String.format("%s%s%s", uploadPath,File.separator,fileName);12 FileUtils.forceMkdir(newFile(basePath));13 //将视频文件copy到basePath内

14 String videoPath=String.format("%s%s%s", basePath,File.separator,file.getName());15 FileUtils.copyFile(file, newFile(videoPath));16 StringBuilder html=newStringBuilder();17 html.append("

powerpoint");18 html.append("

");19 html.append("");//无背景图片

20 html.append(String.format("%s%s.%s%s%s%s%s","","

"));//视频

21 html.append("");//结尾

22 File indexFile=new File(String.format("%s%s%s",basePath,File.separator,"index.html"));23 Writer fw=null;24 PrintWriter bw=null;25 //构建文件(html写入html文件)

26 try{27 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(indexFile),"UTF-8"));//以UTF-8的格式写入文件

28 bw=newPrintWriter(fw);29 bw.write(html.toString());30 }catch(Exception e){31 throw new Exception(e.toString());//错误扔出

32 }finally{33 if (bw != null) {34 bw.close();35 }36 if(fw!=null){37 fw.close();38 }39 }40 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,fileName,"ZIP");41 scormService.zip(basePath, zipFilePath);42 //删除文件

43 file.delete();44 FileUtils.forceDelete(newFile(basePath));45 return new ProcessFileInfo(true,newFile(zipFilePath).getName(),zipFilePath);46 }

View Code

虽然需求最终还是改成最简单的实现方式，这中间近乎白忙活的结果研究出来的实现方案还是有必要分享的，以上如能帮助到开发者，哪怕只有一位，也是非常值得的。