word和.txt文件转html 及pdf文件， 使用poi jsoup itext心得
word和.txt文件转html 及pdf文件， 使用poi jsoup itext心得
本人第一次写博客，有上面不足的或者需要改正的希望大家指出来，一起学习交流讨论。
由于在项目中遇到了这一个问题，在网上也找了很多方法，感觉千篇一律，总有一些问题，因此总结出word转html和pdf文件使用方法。
虽然poi功能不是很强大，但毕竟不依靠本地office软件，同样还有一种方式使用jacob也可以将word转html，不过这个方式要依靠本地office，而且只能在windows平台下，不支持unix系统。
jacob使用起来还是比较简单的，如果大家需要jacob的使用方法，我会分享给大家。
关于.txt文件转html，就是使用io操作将.txt文件读取出来然后写入到html中，也不需要额外的jar包。
注意：使用poi需要注意以下几项，由于我在做这个功能的时候没有注意这个问题的存在，一直找不出原因，还请有关大牛门指正一下为什么？
1.使用office的文档.doc和.docx格式的都没有问题，但使用wps生成的word文档时，只能转.doc格式的文件，对.docx的文档转出后没有图片，得不到img属性。
2.在使用word文档转pdf格式的文件时，生成的pdf没有中文，对中文显示不是很支持。
3.在将word转成pdf时，需要把生成的html文件转化成标准的html文件，不然解析后会出现<meta>或者<img>标签不闭合的情况。
4.使用的jar包如下，都可以在maven中央仓库下载得到。
下面就直接附上代码了，希望大家有什么问题在下面评论互相交流和学习，
使用时直接调用方法即可。如果大家觉得可以请点一个赞，谢谢大家。
package com.kqco.tools; import org.apache.poi.hwpf.HWPFDocument; import org.apache.poi.hwpf.converter.PicturesManager; import org.apache.poi.hwpf.converter.WordToHtmlConverter; import org.apache.poi.hwpf.usermodel.PictureType; import org.apache.poi.xwpf.converter.core.BasicURIResolver; import org.apache.poi.xwpf.converter.core.FileImageExtractor; import org.apache.poi.xwpf.converter.xhtml.XHTMLConverter; import org.apache.poi.xwpf.converter.xhtml.XHTMLOptions; import org.apache.poi.xwpf.usermodel.XWPFDocument; import org.jsoup.Jsoup; import org.w3c.dom.Document; import org.w3c.tidy.Tidy; import org.xhtmlrenderer.pdf.ITextFontResolver; import org.xhtmlrenderer.pdf.ITextRenderer; import com.lowagie.text.pdf.BaseFont; import javax.xml.parsers.DocumentBuilderFactory; import javax.xml.transform.OutputKeys; import javax.xml.transform.Transformer; import javax.xml.transform.TransformerFactory; import javax.xml.transform.dom.DOMSource; import javax.xml.transform.stream.StreamResult; import java.io.BufferedInputStream; import java.io.BufferedOutputStream; import java.io.BufferedReader; import java.io.BufferedWriter; import java.io.ByteArrayInputStream; import java.io.ByteArrayOutputStream; import java.io.DataOutputStream; import java.io.File; import java.io.FileInputStream; import java.io.FileOutputStream; import java.io.IOException; import java.io.InputStreamReader; import java.io.OutputStream; import java.io.OutputStreamWriter; import java.io.PrintWriter; import java.nio.file.Path; import java.nio.file.Paths; public class FileConverter { /* * word文件转成html文件 * sourceFilePath:源word文件路径 * targetFilePosition:转化后生成的html文件路径 */ public void wordToHtml(String sourceFilePath, String targetFilePosition) throws Exception { if (".docx".equals(sourceFilePath.substring(sourceFilePath.lastIndexOf(".", sourceFilePath.length())))) { docxToHtml(sourceFilePath, targetFilePosition); } else if (".doc".equals(sourceFilePath.substring(sourceFilePath.lastIndexOf(".", sourceFilePath.length())))) { docToHtml(sourceFilePath, targetFilePosition); } else { throw new RuntimeException("文件格式不正确"); } } /* * doc转换为html * sourceFilePath:源word文件路径 * targetFilePosition:生成的html文件路径 */ private void docToHtml(String sourceFilePath, String targetFilePosition) throws Exception { final Path imagePath = Paths.get(targetFilePosition).getParent().resolve("image"); HWPFDocument wordDocument = new HWPFDocument(new FileInputStream(sourceFilePath)); Document document = DocumentBuilderFactory.newInstance().newDocumentBuilder().newDocument(); WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(document); // 保存图片，并返回图片的相对路径 wordToHtmlConverter.setPicturesManager(new PicturesManager() { @Override public String savePicture(byte[] content, PictureType pictureType, String name, float width, float height) { try (FileOutputStream out = new FileOutputStream(imagePath.resolve(name).toString())) { out.write(content); } catch (Exception e) { e.printStackTrace(); } return "../tmp/image/" + name; } }); wordToHtmlConverter.processDocument(wordDocument); Document htmlDocument = wordToHtmlConverter.getDocument(); DOMSource domSource = new DOMSource(htmlDocument); StreamResult streamResult = new StreamResult(new File(targetFilePosition)); TransformerFactory tf = TransformerFactory.newInstance(); Transformer serializer = tf.newTransformer(); serializer.setOutputProperty(OutputKeys.ENCODING, "UTF-8"); serializer.setOutputProperty(OutputKeys.INDENT, "yes"); serializer.setOutputProperty(OutputKeys.METHOD, "html"); serializer.transform(domSource, streamResult); } /* * docx转换为html * sourceFilePath:源word文件路径 * targetFileName:生成的html文件路径 */ private void docxToHtml(String sourceFilePath, String targetFileName) throws Exception { String imagePathStr = Paths.get(targetFileName).getParent().resolve("../tmp/image/word/media").toString(); OutputStreamWriter outputStreamWriter = null; try { XWPFDocument document = new XWPFDocument(new FileInputStream(sourceFilePath)); XHTMLOptions options = XHTMLOptions.create(); // 存放图片的文件夹 options.setExtractor(new FileImageExtractor(new File(imagePathStr))); // html中图片的路径 options.URIResolver(new BasicURIResolver("../tmp/image/word/media")); outputStreamWriter = new OutputStreamWriter(new FileOutputStream(targetFileName), "UTF-8"); XHTMLConverter xhtmlConverter = (XHTMLConverter) XHTMLConverter.getInstance(); xhtmlConverter.convert(document, outputStreamWriter, options); } finally { if (outputStreamWriter != null) { outputStreamWriter.close(); } } } /* * txt文档转html filePath:txt原文件路径 htmlPosition:转化后生成的html路径 */ public void txtToHtml(String filePath, String htmlPosition) { try { String encoding = "GBK"; File file = new File(filePath); if (file.isFile() && file.exists()) { // 判断文件是否存在 InputStreamReader read = new InputStreamReader(new FileInputStream(file), encoding); // 考虑到编码格式 BufferedReader bufferedReader = new BufferedReader(read); // 写文件 FileOutputStream fos = new FileOutputStream(new File(htmlPosition)); OutputStreamWriter osw = new OutputStreamWriter(fos, "UTF-8"); BufferedWriter bw = new BufferedWriter(osw); String lineTxt = null; while ((lineTxt = bufferedReader.readLine()) != null) { bw.write(lineTxt + "</br>"); } bw.close(); osw.close(); fos.close(); read.close(); } else { System.out.println("找不到指定的文件"); } } catch (Exception e) { System.out.println("读取文件内容出错"); e.printStackTrace(); } } /* 移动图片到指定路径 sourceFilePath:原始路径 targetFilePosition:移动后存放的路径 */ public void changeImageUrl(String sourceFilePath,String targetFilePosition) throws IOException { FileInputStream fis = new FileInputStream(sourceFilePath); BufferedInputStream bufis = new BufferedInputStream(fis); FileOutputStream fos = new FileOutputStream(targetFilePosition); BufferedOutputStream bufos = new BufferedOutputStream(fos); int len = 0; while ((len = bufis.read()) != -1) { bufos.write(len); } bufis.close(); bufos.close(); } /* * html文件解析成xhtml，变成标准的html文件 * f_in:源html文件路径 * outfile: 输出后xhtml的文件路径 */ private boolean parseToXhtml(String f_in, String outfile) { boolean bo = false; ByteArrayOutputStream tidyOutStream = null; // 输出流 FileInputStream fis = null; ByteArrayOutputStream bos = null; ByteArrayInputStream stream = null; DataOutputStream to = null; try { // Reader reader; fis = new FileInputStream(f_in); bos = new ByteArrayOutputStream(); int ch; while ((ch = fis.read()) != -1) { bos.write(ch); } byte[] bs = bos.toByteArray(); bos.close(); String hope_gb2312 = new String(bs, "gb2312");// 注意，默认是GB2312，所以这里先转化成GB2312然后再转化成其他的。 byte[] hope_b = hope_gb2312.getBytes(); String basil = new String(hope_b, "gb2312");// 将GB2312转化成 UTF-8 stream = new ByteArrayInputStream(basil.getBytes()); tidyOutStream = new ByteArrayOutputStream(); Tidy tidy = new Tidy(); tidy.setInputEncoding("gb2312"); tidy.setQuiet(true); tidy.setOutputEncoding("UTF-8"); tidy.setShowWarnings(true); // 不显示警告信息 tidy.setIndentContent(true);// tidy.setSmartIndent(true); tidy.setIndentAttributes(false); tidy.setWraplen(1024); // 多长换行 // 输出为xhtml tidy.setXHTML(true); tidy.setErrout(new PrintWriter(System.out)); tidy.parse(stream, tidyOutStream); to = new DataOutputStream(new FileOutputStream(outfile));// 将生成的xhtml写入 tidyOutStream.writeTo(to); bo = true; } catch (Exception ex) { System.out.println(ex.toString()); ex.printStackTrace(); return bo; } finally { try { if (to != null) { to.close(); } if (stream != null) { stream.close(); } if (fis != null) { fis.close(); } if (bos != null) { bos.close(); } if (tidyOutStream != null) { tidyOutStream.close(); } } catch (IOException e) { e.printStackTrace(); } System.gc(); } return bo; } /* * xhtml文件转pdf文件 * inputFile:xhtml源文件路径 * outputFile:输出的pdf文件路径 * imagePath:图片的存放路径 例如(file:/D:/test) */ private boolean convertHtmlToPdf(String inputFile, String outputFile) throws Exception { OutputStream os = new FileOutputStream(outputFile); ITextRenderer renderer = new ITextRenderer(); String url = new File(inputFile).toURI().toURL().toString(); renderer.setDocument(url); // 解决中文支持问题 ITextFontResolver fontResolver = renderer.getFontResolver(); fontResolver.addFont("C:/Windows/Fonts/simsun.ttc", BaseFont.IDENTITY_H, BaseFont.NOT_EMBEDDED); // 解决图片的相对路径问题 renderer.getSharedContext().setBaseURL("imagePath"); renderer.layout(); renderer.createPDF(os); os.flush(); os.close(); return true; } /* * xhtml转成标准html文件 * targetHtml:要处理的html文件路径 */ private static void standardHTML(String targetHtml) throws IOException { File f = new File(targetHtml); org.jsoup.nodes.Document doc = Jsoup.parse(f, "UTF-8"); doc.select("meta").removeAttr("name"); doc.select("meta").attr("content", "text/html; charset=UTF-8"); doc.select("meta").attr("http-equiv", "Content-Type"); doc.select("meta").html(" "); doc.select("img").html(" "); doc.select("style").attr("mce_bogus", "1"); doc.select("body").attr("font-family", "SimSun"); doc.select("html").before("<?xml version='1.0' encoding='UTF-8'>"); /* * Jsoup只是解析，不能保存修改，所以要在这里保存修改。 */ FileOutputStream fos = new FileOutputStream(f, false); OutputStreamWriter osw = new OutputStreamWriter(fos, "UTF-8"); osw.write(doc.html()); System.out.println(doc.html()); osw.close(); } }
你们的赞是我前进的动力
