Java 实现HTML富文本导出至word完美解决方案

一、问题的提出

最近用java开发一个科技项目信息管理系统，里面有一个根据项目申请书的模板填写项目申报信息的功能，有一个科技项目申请书word导出功能。

已有的实现方式：采用标准的jsp模板输出实现，简单地说，就是把数据渲染进jsp页面，然后将此页面另存为doc文档，从而达到word导出效果。但是存在以下几个问题：

(1) 由于导出的html网页格式，打开word后，默认显示的视图模式为WEB版式视图；

(2) 修改word文档后，会新增一个相关联的文件夹，word的html中会引用这个文件夹中的资源，比如样式、图片、主题等；这样如果只转移word文档本身，会造成找不到相关联的资源。

(3) 由于我们有些字段内容是采用富文本编辑器（百度的UEditor）填写的，里面有附件的上传（主要是图片）。针对图片，HTML的img标签有一个src的属性，这个src是服务器的图片资源路径。这个如果要显示这个图片的话，客户的机器必须要保证联网，这样造成word不能离线存档。

(4) 这样导出的word打印出来的效果也是一塌糊涂，没法接受。

正因为有这些问题，急需寻找另外一种解决方案。

二、可用方案

在网上查找资料，总结出两种比较可行的方案。

(1) 制作word模板，导出成mht文件（单页面网页格式），然后往模板里渲染数据，最终生成word文档。

(2) 制作word模板，导出成xml文件，然后往模板里渲染数据，最终生成word文档。

这两种都是采用模板的思想，模板的制作比较加单，比用poi去组织word格式简单的很多很多。唯一的不同点在于导出文件的格式不同，一个是mht文件，一个是xml文件。考虑到本项目中的项目申报书个别字段采用了富文本编辑器实现，保存进数据库中是html格式的字符串，所以我们采用第一种方案，即通过mht文件来实现。

三、思路整理与分析

1. mht文件的文件存储结构分析

打开客户提供的项目申报书模板文件，如，选择“另存为-》其他格式”菜单，选择“保存为mht文件（单网页文件）”，如下图所示：

保存后，用文本编辑器（UltraEdit或Sublime等）打开。打开后，有一些规律可循，具体关键的要点如下：

(1) mht文件的内容采用3Dus-ascii编码格式，里面的中文字符串都被编码成不可读的内容；

(2) mht是单网页文件，里面内嵌了很多资源内容，特别要注意的是图片资源。我们查找“image”，会找到“image001””image002”。。。。等相关的匹配值。针对每个图片（比如image002）有三个地方出现。

第一，在Html的<v:shape>标签中,如下

第二，在内嵌资源块中，对图片的内容采用base64编码。具体格式如下

第三，在文件的末尾部，有个<xml>标签，里面有个HRef属性标识，具体内容如下：

2. 具体的实现思路

(1) 制作word模板，用特定的模板引擎（我们用的freeMarker）的语法去生成占位符，然后导出出mht文件；

(2) 组织、处理数据，然后利用模板引擎去渲染模板。

(3) 将渲染后的结果保存为doc文件。

最重要的是第2个步骤中的处理数据。根据mht文件的格式要求，主要需要处理以下几个地方。

(1) 将字符串类型的数据编码成3Dus-ascii格式；

(2) 对富文本数据进行处理。主要是上述三个地方的处理，其一，对富文本的html中的img进行处理，转换成<v:shape>标签格式；其二，取出img的实际存储位置，将图片的内容按照base64进行编码，并将编码后内容添加进对应的位置；其三，在mht文件的末尾的xml标签中加入相关资源引入字符串。

四、实现步骤及注意事项

1. 根据模板引擎的语法规则填入占位符制作word模板，保存为mht文件。

另存为mht文件后，需用文本编辑器打开，主要绑定语句不能断，比如${projectSbInfo.xmnamecn}另存为mht文件后，可能成了${projectSbInfo.=

xmnamecn}这个格式，需手动再修改一下。

另外还需在mht文件中插入图片资源的base64及xml 的href引用的占位。如下图

2. 组织、处理数据

一般的属性数据组织起来简单，无非就是从数据库中获取，处理也简单。这里要特别注意以下数据的处理。

（1） html中image元素的处理。处理流程如下：

（2）由于mht文件是采用的是“us-ascii”编码，属性后面都必须带有3D前缀。所以包含html内容的需进行一下替换操作。

3．渲染模板，然后另存了word格式即可。

相关源代码：http://files.cnblogs.com/files/liaofeifight/word.rar