(三)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之html转word

系列笔记传送门

富文本转word文档

准备待转换内容

内容清理与格式化

转换成word文档

输出结果展示

附加内容、常见错误

结束语

系列笔记传送门

本系列笔记包含以下几篇，本篇主要是吹牛、理论、外加做个目录，等不及的可以直接传送门起飞：

(一)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之基础篇

(二)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之基础篇-图片在word结构中的存放、插入、替换图片

(三)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之html转word

(四)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之word转html(待更新…)

(五)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之word文件合并(待更新…)

(六)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之动态模板、占位符(待更新…)

(七)、JAVA基于OPENXML的word文档插入、合并、替换操作系列之模板综合应用、文字、图片、富文本内容填充(待更新…)

富文本转word文档

我们经常会遇到在项目中，需要将一段内容输出到word、 比如通过在你的项目中放一个富文本编辑器，通过用户的输入提交后，将它做一些处理之后这个内容生成一个word文档，然后提供用户下载使用，或者用户上传一个word文档，需要在你项目的界面上显示出来，那么这篇笔记或许可以帮到你， 当然这只是其中一个实现方案，网上有许多其他实现方案不在此做探讨

准备待转换内容

我们先来准备一段富文内容，通过OPENXML转成word需要一个完整的html格式文档，比如有不支持属性的、属性有单引号、没有引号的等各种不标准的HTML代码，在处理过程中会出错，或者被忽略掉。

内容清理与格式化

此处我们通过借助 Jsoup来将html转为 xhtml ，操作之后html代码段就会被格式化属性="属性值" 这种标准的格式，当然还有更多其他效果，具体请自行动手体验。

public String cleanHtmlQuot(String htmlContent){

if(StringUtils.isBlank(htmlContent))

return htmlContent;

// 这步是将html代码中转义的代码进行恢复， 从富文编辑提交过来的内容，会进行一个特殊字符转义

// 去除本地图片(file://)或地址为空的图片,(?i)不区分大小写， 我的代码中去掉了，你可以不要

String unescape = StringEscapeUtils.unescapeHtml4(htmlContent)

.replaceAll("(?i)","");

return Jsoup.clean(unescape, user_content_filter)

.replace("windowtext","#000"); //windowtext 不识别，改成 #000

}

/**

* html 格式化，转成标准的 xhtml 格式

* 1px＝0.75pt，常见的宋体9pt＝12px pt=px乘以3/4。

* 1mm约等于2.83pt,A4尺寸是21cm*29.7cm,所以应该是594.3pt*840.51pt

* @param html

* @return

*/

public String html2xhtml(String html){

final Document htmldoc = Jsoup.parse( this.cleanHtmlQuot(trimNull(html)));

htmldoc.outputSettings().syntax(Document.OutputSettings.Syntax.xml).escapeMode(Entities.EscapeMode.xhtml);

return htmldoc.html();//.replaceAll("(?i)( )|( )"," ");

}

格式化后的效果是这样的， 没有它都给自动加上了

转换成word文档

此处通过 DOCX4J 将html内容转成POI的XWPFDocument对象，然后直接输出为word文档.

/**

* @param htmlBody

* @return

*/

public XWPFDocument html2WordDocument(String htmlBody){

if(StringUtils.isBlank(htmlBody)){

return null;

}

final String htmlContent = html2xhtml(htmlBody);

try(ByteArrayOutputStream bos = new ByteArrayOutputStream()){

WordprocessingMLPackage wordMLPackage = WordprocessingMLPackage.createPackage();

XHTML2WordImporterImpl XHTMLImporterImpler = new XHTML2WordImporterImpl(wordMLPackage);

// XHTMLImporterImpler.setXHTMLImageHandler(new XHTML2WordImageHandler(XHTMLImporterImpler));

// 延迟解析比率 ，解决报错: java.io.IOException: Zip bomb detected!

// 参考 https://stackoverflow.com/questions/46796874/java-io-ioexception-failed-to-read-zip-entry-source

ZipSecureFile.setMinInflateRatio(-1.0d);

wordMLPackage.getMainDocumentPart().getContent().addAll(XHTMLImporterImpler.convert(htmlContent,""));

wordMLPackage.save(bos);

// logger.info("tmpFile:{}", tmpFile.getAbsolutePath());

// wordMLPackage.save(new File("/Users/tenney/Desktop/word.docx"));

return verifyContent4MSOffice(new XWPFDocument(new ByteArrayInputStream(bos.toByteArray())));

} catch (Exception e) {

logger.error("解析HTML为WORD内容出错：{}", e.getMessage(), e);

}

return null;

}

@Test

public void html2Word() throws IOException {

WrodPlaceholderProcessor processor = new WrodPlaceholderProcessor(null,null,null);

long start = System.currentTimeMillis();

// XWPFDocument doc = processor.html2DOCXDocument(htmlText);

// System.err.println(processor.cleanHtmlQuot(htmlText));

XWPFDocument doc = processor.html2WordDocument(htmlText);

System.err.println(doc.getDocument().getBody().xmlText());

FileOutputStream dest = new FileOutputStream(new File("/Users/tenney/Desktop/2222222222.docx"));

// document.write(dest);

doc.write(dest);

// IOUtils.closeQuietly(dest);

System.err.println("用时："+ (System.currentTimeMillis() - start) + " ms");

}

输出结果展示

转换过程会生成一个符合OPENXML规范的内容，如下

附加内容、常见错误

在我的实践过程中发现，转换表格时偶尔会出现，表格中转换出的行标签，却没有列内容引发报错，以下为我的解决方案，实现逻辑为：

在该行中创建一个列，并根据定义的列数进行列合并，最终目的其实就是转换为一个有效的空行。

/**

* 较验生成的内容是否符合微软office的格式要求

* @param document

* @return

*/

public XWPFDocument verifyContent4MSOffice(XWPFDocument document){

//较验表格

/**

*

* * * ....

*

* *

*

*

*

*

*

*

*

* *

*

* // 该处没有 tc(column)，将导致ms office打开报错

*

*

* *

*

* * *

*

*

* *

*

*

*

*

*

*

*

* *

*

*

*

* *

*/

// document.getDocument().getBody().getSectPr().getPgSz();

document.getDocument().getBody().getTblList().forEach(tbl->{

// tbl.getTblPr().getTblW().setW(BigInteger.valueOf(2000));

// tbl.getTblPr().getTblW().setType(STTblWidth.DXA);

// tbl.getTblPr().addNewTblStyle().setVal("StyledTable");

CTTblGrid grid = tbl.getTblGrid();

List rows = tbl.getTrList();

try{

rows.forEach(row->{

if(row.getTcList() == null || row.getTcList().isEmpty()){

CTTc tc= row.addNewTc();

tc.addNewP().addNewR().addNewT();

if(grid != null){

CTTcPr pr = tc.addNewTcPr();

pr.addNewGridSpan().setVal(BigInteger.valueOf(grid.getGridColList().size()));

tc.setTcPr(pr);

}

}

});

}catch (Exception e){

logger.warn("较验文档内容有效性出错：{}", e.getMessage());

}

});

return document;

}

结束语

网上其实有很多html转成word的方法，鄙人也看过很多，比如直接通过POI实现的，甚至有手动逐个解析word中每个元素，比如图片、表格、段落等等然后再逐一用html代码拼出来的，当然这些方法我也用过，只是未能达到我的目的，要么转换的效果不够好，要么转换不完整，所以经过我长时间的折腾拼凑出这么一个方法，虽然也算不上很完美，但在我见过的方法中应该算是比较好用的了，唠叨这么一段只是提示一点解决问题的思路，方法千千万，每个方法也有每个方法特色和应用场景，找到适合自己的就是最完美的！