Question

我需要将Word文档转换为Java中的HTML文件。该函数将输入一个word文档，输出将是基于word文档具有的页数的html文件，即如果word文档有3个页面，则将生成具有所需分页符的3个html文件。

我搜索了开源/非商业API，可以将doc转换为html，但没有结果。任何做过这种工作的人都请帮忙。

由于

Answer 1

我推荐使用JODConverter，它利用OpenOffice.org，它可以为今天提供的OpenDocument和Microsoft Office格式提供最好的导入/导出过滤器。

JODConverter有很多文档，脚本和教程可以帮助你。

Answer 2

我在新的MS Word XML格式不可用的生产系统中成功使用了以下方法：

生成一个类似于：

的进程

http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html

您可能希望在程序启动时启动一次openoffice，并在程序期间多次调用python脚本（需要进行某种检查以确保ooffice进程始终存在）。

另一个选项是每次需要进行转换时产生以下类型的命令：

ooffice -headless“macro：//＆lt;要转换的ooffice vb宏的路径，参数指向文件＆gt;”

我多次使用宏方法并且运行良好（对不起，我没有可用的宏代码）。

虽然有通过MS Word进行此操作的机制，但从Java开始并不容易，并且需要其他支持程序来通过OLE驱动MS Word。

我之前也使用过abiword，它适用于许多文档，但确实与更复杂的文档相混淆（ooffice似乎处理了我抛出的所有内容）。 Abiword有一个比ooffice更容易转换的命令行界面。

Answer 3

我们使用tm-extractors（http://mvnrepository.com/artifact/org.textmining/tm-extractors），并回退到商业Aspose（http://www.aspose.com/）。两者都有本机Java API。

Answer 4

在新的MS word docx中更容易实现，因为格式是XML格式。您可以使用XSL将XML格式的Word文档转换为HTML格式。

但是，如果您的Word文档是旧版本，则可以使用POI库 http://poi.apache.org/然后访问它并生成Java对象，从那时起，您可以使用HTML java库轻松将其转换为HTML格式

http://www.dom4j.org/dom4j-1.4/apidocs/org/dom4j/io/HTMLWriter.html

Answer 5

如果是docx，您可以使用docx4j（ASL v2）。这使用XSLT来创建HTML。

但是，它会为整个文档提供一个HTML。

如果您想要每页HTML，您可以使用Word放入docx的lastRenderedPageBreak标记执行某些操作（假设您使用Word创建它）。

Answer 6

我看到这个帖子在外部链接中出现并偶尔发帖，所以我想我会发布更新（希望没有人介意）。 OpenOffice继续发展，版本3.2再次改进了单词导入导出过滤器。 OpenOffice和Java可以在许多平台上运行，因此Java系统可以直接使用OpenOffice UNO API以多种格式（包括word和pdf）导入/操作/导出文档，或者使用像JODReports或{{3这样的库方便。两者都有免费/开放选项。

Answer 7

我尝试过这种方式，并从我的网站上与我合作 http://code.google.com/p/xdocreport/wiki/XWPFConverterXHTML

这只适用于docx将其转换为html包含在该word文档中的图像。

    // 1) Load DOCX into XWPFDocument
    InputStream doc = new FileInputStream(new File("c:/document.docx"));
    XWPFDocument document = new XWPFDocument(doc);

   // 2) Prepare XHTML options (here we set the IURIResolver to load images from a "word/media" folder)
            XHTMLOptions options = XHTMLOptions.create(); //.URIResolver(new FileURIResolver(new File("word/media")));;

            // 3) Extract image
            String root = "target";
            File imageFolder = new File( root + "/images/" + doc );
            options.setExtractor( new FileImageExtractor( imageFolder ) );
            // 4) URI resolver
            options.URIResolver( new FileURIResolver( imageFolder ) );


            OutputStream out = new FileOutputStream(new File("c:/document.html"));
            XHTMLConverter.getInstance().convert(document, out, options);

我希望这可以解决你的问题

Answer 8

你必须找到MS word doc规范（因为它基本上是那个时间点的任何单词的二进制转储），并慢慢地逐个元素地转换ms字“对象/状态”到html等价。你可能能够找到一个脚本为你做这个，因为这真的不是有趣的工作，我建议反对它（转换文件格式甚至自己阅读商业文件总是很难，往往不完整）。 PS：只是google doc2html

Answer 9

如果您使用ooxml格式定位word 2007文件，则此article可能有所帮助。还有Ooxml4j项目正在为Java库实现ooxml。

如果你的目标是二进制文件，那就是另一个问题。

Answer 10

import officetools.OfficeFile; // package available at www.dancrintea.ro/doc-to-pdf/
...
FileInputStream fis = new FileInputStream(new File("test.doc"));
FileOutputStream fos = new FileOutputStream(new File("test.html"));
OfficeFile f = new OfficeFile(fis,"localhost","8100", true);
f.convert(fos,"html");

所有可能的转换：

doc - ＆gt; pdf，html，txt，rtf

xls - ＆gt; pdf，html，csv

ppt - ＆gt; pdf，swf

html - ＆gt; PDF

Answer 11

您可以使用micrsoft office online

首先，在服务器端请求https://view.officeapps.live.com/op/view.aspx?src=“您的文档文件在线网址”

然后使用jsoup解析结果html

从移动设备访问时，html会包装一个框架。

在Java中以编程方式将Word doc转换为HTML

11 个答案: