将.docx转换为html，我得到了不可读的文本

Question

  

可能重复：
  Convert Word doc to HTML programmatically in Java

我有一个程序正在获取.docx文件并打开为.html文件但是当转换为html时，我得到的是不可读的字符串。我需要这个文件的html，因为我需要稍后解析它。当我使用下面的方法打开文件时，我得到了不可读的文本，例如：úL] iN？#tBd！？^？？e“0©？?? ??AäúsIp？¸ü？D？ÂÓâ€？D？½？ ？Eâcr＆amp;Æl\Fâÿ2qJ？U ??IúK＆amp;þIb

    FileInputStream fileInput = null;
    BufferedInputStream myBuffer = null;
    DataInputStream dataInput = null;
    fileInput = new FileInputStream(selectedFile);
    myBuffer = new BufferedInputStream(fileInput);
    dataInput = new DataInputStream(myBuffer);
    StringBuilder nHtmlText = new StringBuilder();
    while (dataInput.available() != 0) {
        System.out.println(dataInput.readLine());
        nHtmlText.append(dataInput.readLine());
    }
    htmlText = nHtmlText.toString();

有没有办法获得一个干净的可读html文件来解析和保存？

Answer 1

没有。

你正在阅读docx文件的原始内容，这不是html而是压缩xml - 请参阅here，你需要一些东西将docx翻译成html。两者截然不同。

Answer 2

Docx4j是一个java库，允许您打开，读取和操作docx文件。我过去成功地使用过它。

它还能够将文件的内容导出为HTML。您可以在此处阅读更多内容：http://www.docx4java.org/svn/docx4j/trunk/docx4j/docs/Docx4j_GettingStarted.html（第docx to (X)HTML部分大约是页面的一半）

Answer 3

如果要将.docx文件转换为.html，则无法直接读取该文件，因为它是二进制文件。您可以使用JODConverter。我个人没有使用过这个问题，但这个问题几乎与this question重复。