为什么会想起来将上传的word文档转换成html格式呢？设想，如果一个系统需要发布在页面的文章都是来自word文档，一般会执行下面的流程：使用word打开文档，Ctrl+A，进入发布文章页面，Ctrl+V。看起来也不麻烦，但是，如果文档中包含大量图片呢？尴尬的事是图片都需要重新上传吧？

如果可以将已经编写好的word文档上传到服务器就可以在相应页面进行展示，将会是一件非常惬意的事情，最起码信息发布人员会很开心。程序员可能就不会这么想了，囧。

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 So easy...

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;"

5、打开eclipse

6、喝杯热茶，等待eclipse打开。

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

8、Coding...

查看代码

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;

    }

}

　　

类组织的不好，博友凑合看，代码注释比较详细了，不多说。

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。

参考了http://dangry.iteye.com/blog/858787，表示感谢。

JAVA：借用OpenOffice将上传的Word文档转换成Html格式的更多相关文章

  1. OpenOffice Word文档转换成Html格式

    为什么会想起来将上传的word文档转换成html格式呢?设想,如果一个系统需要发布在页面的文章都是来自word文档,一般会执行下面的流程:使用word打开文档,Ctrl+A,进入发布文章页面,Ctrl ...

  2. C# word文档转换成PDF格式文档

    最近用到一个功能word转pdf,有个方法不错,挺方便的,直接调用即可,记录下 方法:ConvertWordToPdf(string sourcePath, string targetPath) so ...

  3. poi解析word文档转换成html(包括图片解析)

    需求:将本地上传的word文档解析并放入数据库中 代码: import java.io.ByteArrayOutputStream;import java.io.File;import java.io ...

  4. java将XML文档转换成json格式数据

    功能 将xml文档转换成json格式数据 说明 依赖包:1. jdom-2.0.2.jar : xml解析工具包;2. fastjson-1.1.36.jar : 阿里巴巴研发的高性能json工具包 ...

  5. Java利用aspose-words将word文档转换成pdf（破解 无水印）

    首先下载aspose-words-15.8.0-jdk16.jar包 http://pan.baidu.com/s/1nvbJwnv 引入jar包,编写Java代码 package doc; impo ...

  6. Python将word文档转换成PDF文件

    如题. 代码: ''' #將word文档转换为pdf文件 #用到的库是pywin32 #思路上是调用了windows和office功能 ''' #导入所需库 from win32com.client ...

  7. ASP.NET将word文档转换成pdf的代码

    一.添加引用 using Microsoft.Office.Interop.Word; 二.转换方法 1.方法 C# 代码 /// <summary> /// 把Word文件转换成pdf文 ...

  8. Java实现批量将word文档转换成PDF

    先导入words的jar包 需要jar包的私聊我发你 代码如下:import com.aspose.words.Document;import java.io.File; public class W ...

  9. 关于word文档转成html网页的方法

    在工作中,有时我们可能需要将一个word文档转换成html网页格式,如在写帮助文档的时候,采用office编写,最终却想以网页的格式传到网站的指定目录下供网友直接浏览 这时我们就需要对word文件进行 ...

随机推荐

  1. IPhone手机自动添加到itunes设置

    一,项目设置 如图:点击项目--info 在key下面条目上右键点击,选择添加Application supports iTunes file sharing   value设置为yes

  2. CentOS 7.0禁用iptables防火墙

    CentOS 7.0默认使用的是firewall作为防火墙,这里改为iptables防火墙. firewall: systemctl start firewalld.service#启动firewal ...

  3. POJ3974 (manacher)

    var s,t:ansistring; n,op:longint; p:..] of longint; procedure pre; var i:longint; begin s:='$*'; to ...

  4. 【转】3 Essential Sublime Text Plugins for Node & JavaScript Developers

    原文转自:http://scottksmith.com/blog/2014/09/29/3-essential-sublime-text-plugins-for-node-and-javascript ...

  5. 详解for循环（各种用法）

    常见的for循环一般是一下代码这种结构: for (int i = 0; i < 100; i++){    Console.WriteLine(i);} 或者递减的:              ...

  6. libvirtError: no connection driver available for qemu:///system 解决办法

    今天部署了一套K版的OpenStack环境后,启动nova-compute后,日志里狂报如下错误(因为其内部有定时任务需要去连libvirtd进程): 2015-08-14 10:01:00.061 ...

  7. js 下载文件 window.location.href

    window.location.href ="../../pages2/assessmentplan/exportPointAsessment.do?planId="+planId ...

  8. 用python做爬虫的例子

    主要就是用了两个库,urllib和BeautifulSoup. 作用是从HTML中解析出解梦的查询词和具体的解释. # -*- coding: utf-8 -*- import urllib, url ...

  9. AndrdoidStudio 2个jar包引起的异常Duplicate files copied in APK META-INF/LICENSE.txt

    在build.gradle中与compileSdkVersion **.buildToolsVersion “**.**.*"或defaultConfig 同级添加如下代码 packagin ...

  10. timus 1982 Electrification Plan(最小生成树)

    Electrification Plan Time limit: 0.5 secondMemory limit: 64 MB Some country has n cities. The govern ...