使用OpenOffice实现Word转Html

最新推荐文章于 2021-09-16 13:34:17 发布

weixin_43861973

最新推荐文章于 2021-09-16 13:34:17 发布

阅读量725

点赞数

文章标签：利用OpenOffice将Word转换为Html

将Word转Html的原理是这样的：

1、客户上传Word文档到服务器

2、服务器调用OpenOffice程序打开上传的Word文档

3、OpenOffice将Word文档另存为Html格式

4、Over

至此可见，这要求服务器端安装OpenOffice软件，其实也可以是MS Office，不过OpenOffice的优势是跨平台，你懂的。恩，说明一下，本文的测试基于 MS Win7 Ultimate X64 系统。

下面就是规规矩矩的实现。

1、下载OpenOffice，http://download.openoffice.org/index.html

2、下载Jodconverter http://www.artofsolving.com/opensource/jodconverter 这是一个开启OpenOffice进行格式转化的第三方jar包。

3、泡杯热茶，等待下载。

4、安装OpenOffice，安装结束后，调用cmd，启动OpenOffice的一项服务：C:\Program Files (x86)\OpenOffice.org 3\program>soffice -headless -accept=“socket,port=8100;urp;”

注1：可以进入C:\Program Files (x86)\OpenOffice.org 3\program后在地址栏输入cmd，可以直接进入该地址。

注2：部分电脑可能需要输入：soffice -headless -accept=“socket,host=127.0.0.1,port=8100;urp;” -nofirststartwizard

5、新建eclipse项目，导入Jodconverter/lib 下得jar包。

代码如下：

package com.mzule.doc2html.util;

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.util.Date;
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;

/**

将Word文档转换成html字符串的工具类
@author MZULE

*/
public class Doc2Html {

public static void main(String[] args) {
System.out
    .println(toHtmlString(new File("C:/test/test.doc"), "C:/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);
// 获取html文件流
StringBuffer htmlSb = new StringBuffer();
try {
    BufferedReader br = new BufferedReader(new InputStreamReader(
        new FileInputStream(htmlFile)));
    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();
// 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;
}

}
两个公开的方法是独立使用的，toHtmlString(…)方法是转化文件并获取html代码，以备存入数据库。

实现上述功能后，由于所有html标签的属性全部被清除，所以可以在页面上定义

标签和的属性，实现显统一的效果。

参考了https://www.cnblogs.com/codeplus/archive/2011/10/22/2220952.html，表示感谢。将Word转Html的原理是这样的

转载至：https://blog.csdn.net/guanmao4322/article/details/80795206#comments 方便日后需要

weixin_43861973

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
使用OpenOffice实现Word转Html

将Word转Html的原理是这样的：1、客户上传Word文档到服务器2、服务器调用OpenOffice程序打开上传的Word文档3、OpenOffice将Word文档另存为Html格式4、Over至此可见，这要求服务器端安装OpenOffice软件，其实也可以是MS Office，不过OpenOffice的优势是跨平台，你懂的。恩，说明一下，本文的测试基于 MS Win7 Ultimat...
复制链接

扫一扫