关于java实现word（docx、doc）转html的解决方案

最近在研究一些关于文档转换格式的方法，因为需要用在开发的一个项目上，所以投入了一些时间，给大家聊下这块逻辑及解决方案。

一、关于word转换html大致都有哪些方法？

（1）使用 Microsoft Word 导出

其实该方法就是使用word本身导出方案

操作步骤：

在 Microsoft Word 中打开文档。
点击文件 > 另存为或导出。
选择保存类型为网页(.html, .htm)。
保存文件后，会生成一个 HTML 文件（有时会附带一个文件夹用于存放图片等资源）。

优点：

保留了文档的大部分格式。
操作简单，无需其他工具。

缺点：

导出的 HTML 文件代码较冗余，包含许多与 Word 相关的样式和标签。

（2）使用第三方工具或在线转换工具

一般常见的有SmallPDF、Zamzar、Convertio、LibreOffice等在线工具或软件进行转换

优点：

方便快捷，适合大多数人使用。
有些工具可以清理冗余代码，生成更简洁的 HTML。

缺点：

在线工具可能存在隐私和安全风险。
某些工具可能无法完全保留复杂文档的格式。

（3）使用编程实现自动化转换

常见的编程实现有：

Python ：
- 使用 python-docx 库读取 .docx 文件，再用自定义逻辑生成 HTML。
- 使用 mammoth 库，专门将 .docx 转为干净的 HTML（推荐）。
- 使用 pywin32 调用 Windows COM 接口操作 Microsoft Word。
Java ：
- 使用 Apache POI 的 XWPF 模块解析 .docx 文件并输出 HTML。
Node.js ：
- 使用 officegen 或 mammoth.js 转换 .docx 文件。
C# ：
- 使用 OpenXML SDK 或 Interop.Word 来操作 Word 文件并转换为 HTML。

本此讲解的就是通过java的poi内的模块进行解析输出html

二、docx转换html

++示例代码如下：++

java 复制代码

public static void docxtoHtml(String fileName, String outPutFile) throws TransformerException, IOException, ParserConfigurationException {
    long startTime = System.currentTimeMillis();
    XWPFDocument document = new XWPFDocument(new FileInputStream(fileName));

    // 用于存储目录内容
    StringBuilder toc = new StringBuilder();
    toc.append("<div id='toc'>\n<ul>\n");  // 直接从 <ul> 开始，表示目录

    // 遍历文档中的段落，查找目录项
    List<XWPFParagraph> paragraphs = document.getParagraphs();
    int tocLevel = 0; // 目录的当前级别，1代表一级目录，2代表二级目录，3代表三级目录
    boolean tocStarted = false; // 标记目录是否开始

    for (XWPFParagraph paragraph : paragraphs) {
        String style = paragraph.getStyle();  // 获取段落样式
        String text = paragraph.getText();  // 获取段落文本

        // 根据段落的样式级别来识别目录项，假设标题样式为 Heading 1, Heading 2, Heading 3
        if (style != null) {
            if (style.equals("Heading 1")) {  // 一级标题
                if (tocStarted) {
                    toc.append("</ul>\n"); // 关闭上一级目录
                }
                toc.append("<ul>\n");  // 开始一个新的无序列表
                toc.append("<li><a href='#" + text.hashCode() + "'>" + text + "</a></li>\n");
                tocLevel = 1;
                tocStarted = true;
            } else if (style.equals("Heading 2")) {  // 二级标题
                if (tocLevel == 1) {
                    toc.append("<ul>\n");  // 开始二级目录
                }
                toc.append("<li><a href='#" + text.hashCode() + "'>" + text + "</a></li>\n");
                tocLevel = 2;
            } else if (style.equals("Heading 3")) {  // 三级标题
                if (tocLevel == 2) {
                    toc.append("<ul>\n");  // 开始三级目录
                }
                toc.append("<li><a href='#" + text.hashCode() + "'>" + text + "</a></li>\n");
                tocLevel = 3;
            }
        }

        // 在目录项前插入锚点
        if (style != null && (style.equals("Heading 1") || style.equals("Heading 2") || style.equals("Heading 3"))) {
            String anchor = "<a name='" + text.hashCode() + "'></a>";
            String modifiedText = anchor + text;  // 在目录项文本前添加锚点

            // 更新段落中的文本
            for (XWPFRun run : paragraph.getRuns()) {
                run.setText(modifiedText, 0); // 更新段落内容
            }
        }
    }

    // 如果目录结束后，确保关闭所有的<ul>标签
    if (tocLevel > 0) {
        toc.append("</ul>\n");
    }

    toc.append("</ul>\n</div>\n");  // 关闭最外层的 <ul> 和 <div>

    // 设置XHTMLOptions
    XHTMLOptions options = XHTMLOptions.create().indent(4);
    File imageFolder = new File(tempPath);  // 图片临时文件夹路径
    options.setExtractor(new FileImageExtractor(imageFolder));
    options.URIResolver(new FileURIResolver(imageFolder));

    // 使用 `XHTMLConverter` 进行 DOCX 到 HTML 的转换
    ByteArrayOutputStream byteArrayOutputStream = new ByteArrayOutputStream();
    XHTMLConverter.getInstance().convert(document, byteArrayOutputStream, options);

    System.out.println("Generate " + outPutFile + " with " + (System.currentTimeMillis() - startTime) + " ms.");

    // 获取转换后的HTML内容
    String htmlContent = new String(byteArrayOutputStream.toByteArray(), "UTF-8");

    // 将TOC插入到HTML的开头
    htmlContent = toc + htmlContent;

    // 处理分页符：将分页符添加到HTML中
    htmlContent = htmlContent.replaceAll("<!-- PAGE_BREAK -->", "<div class='page-break'></div>");

    // 添加表格样式（边框）
    htmlContent = htmlContent.replaceAll("<table>", "<table style='border: 1px solid black !important; border-collapse: collapse; width: 100%;'>");
    htmlContent = htmlContent.replaceAll("<td>", "<td style='border: 1px solid black !important; padding: 5px; text-align: left;'>");
    htmlContent = htmlContent.replaceAll("<th>", "<th style='border: 1px solid black !important; padding: 5px; text-align: left;'>");
    htmlContent = htmlContent.replaceAll("<tr>", "<tr style='border: 1px solid black !important;'>");
    htmlContent = htmlContent.replaceAll("<thead>", "<thead style='border: 1px solid black !important;'>");
    htmlContent = htmlContent.replaceAll("<tbody>", "<tbody style='border: 1px solid black !important;'>");
    htmlContent = htmlContent.replaceAll("<tfoot>", "<tfoot style='border: 1px solid black !important;'>");

    // 增加全局CSS样式（确保表格和目录样式正确）
    String style = "<style>\n" +
                   "table { border: 1px solid black !important; border-collapse: collapse; width: 100%; }\n" +
                   "td, th { border: 1px solid black !important; padding: 5px; text-align: left; }\n" +
                   "tr { border: 1px solid black !important; }\n" +
                   "ul { list-style-type: none; padding: 0; }\n" + // 去掉默认的列表样式
                   "li { margin: 5px 0; }\n" + // 设置目录项的间距
                   "</style>\n";

    htmlContent = style + htmlContent;

    // 将最终的HTML内容写入文件
    writeFile(htmlContent, outPutFile);
}

该方法功能实现：

将 .docx 文件转换为 HTML 文件。
自动生成基于文档标题的目录 (TOC)。
为标题添加锚点链接，支持 HTML 页面内跳转。
处理分页符，将其转换为 HTML 的 <div> 元素。
增强表格样式，添加边框和对齐（有时原表格css样式转换后会被覆盖掉）。
为 HTML 页面添加全局 CSS 样式，保证视觉效果统一。

三、doc转换html

++示例代码如下：++

java 复制代码

public static void doctoHtml(String fileName, String outPutFile) throws TransformerException, IOException, ParserConfigurationException {
    // 开始计时
    long startTime = System.currentTimeMillis();
    // 读取 Word 文档
    HWPFDocument wordDocument = new HWPFDocument(new FileInputStream(fileName));
    // 创建 Word 转 HTML 转换器
    WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(DocumentBuilderFactory.newInstance().newDocumentBuilder().newDocument());
    // 图片保存路径设置
    String imageFolderPath = tempPath + "images" + File.separator;  // 存储图片的绝对路径
    // 设置图片管理器，处理图片保存逻辑
    wordToHtmlConverter.setPicturesManager(new PicturesManager() {
        public String savePicture(byte[] content, PictureType pictureType, String suggestedName, float widthInches, float heightInches) {
            String picturePath = imageFolderPath + suggestedName;  // 图片保存路径
            File imageFolder = new File(imageFolderPath);
            if (!imageFolder.exists()) {
                boolean created = imageFolder.mkdirs(); // 创建图片文件夹
                if (created) {
                    System.out.println("在以下位置创建图片文件夹：" + imageFolder.getAbsolutePath());
                } else {
                    System.out.println("创建图片文件夹失败");
                }
            }
            try {
                File pictureFile = new File(picturePath);
                try (FileOutputStream fos = new FileOutputStream(pictureFile)) {
                    fos.write(content);  // 写入图片数据
                    System.out.println("图片保存路径" + pictureFile.getAbsolutePath());
                }
            } catch (IOException e) {
                e.printStackTrace();
            }
            return picturePath;  // 返回图片路径
        }
    });
    // 处理文档内容，转换为 HTML
    wordToHtmlConverter.processDocument(wordDocument);
    // 获取生成的 HTML 文档
    Document htmlDocument = wordToHtmlConverter.getDocument();
    // 自定义分页符处理：查找文档中的分页符并插入到 HTML 中
    NodeList bodyNodes = htmlDocument.getElementsByTagName("body");
    if (bodyNodes.getLength() > 0) {
        Node bodyNode = bodyNodes.item(0);  // 获取 HTML 中的 <body> 节点
        NodeList paragraphs = bodyNode.getChildNodes();
        for (int i = 0; i < paragraphs.getLength(); i++) {
            Node paragraph = paragraphs.item(i);
            if (paragraph.getNodeType() == Node.ELEMENT_NODE && paragraph.getNodeName().equals("p")) {
                String innerText = paragraph.getTextContent();
                if (innerText.contains("\f")) {  // 检查是否包含分页符（\f）
                    // 创建自定义分页符 HTML 元素
                    Element pageBreak = htmlDocument.createElement("div");
                    pageBreak.setAttribute("class", "page-break");  // 设置 class 属性，方便样式控制
                    pageBreak.appendChild(htmlDocument.createTextNode(" "));
                    // 在分页符前插入自定义分页符标记
                    bodyNode.insertBefore(pageBreak, paragraph);
                }
            }
        }
    }
    // 将 HTML 文档输出为字节流
    ByteArrayOutputStream out = new ByteArrayOutputStream();
    DOMSource domSource = new DOMSource(htmlDocument);
    StreamResult streamResult = new StreamResult(out);
    // 使用 Transformer 进行 HTML 格式化输出
    TransformerFactory tf = TransformerFactory.newInstance();
    Transformer serializer = tf.newTransformer();
    serializer.setOutputProperty(OutputKeys.ENCODING, "utf-8");  // 设置编码为 UTF-8
    serializer.setOutputProperty(OutputKeys.INDENT, "yes");  // 格式化输出
    serializer.setOutputProperty(OutputKeys.METHOD, "html");  // 输出格式为 HTML
    serializer.transform(domSource, streamResult);
    out.close();
    // 将字节流转换为字符串
    String htmlContent = new String(out.toByteArray());
    // 处理特殊标记符，例如去掉目录标记（根据需要调整）
    htmlContent = htmlContent.replaceAll("TOC \\\\o \"1-3\" \\\\h \\\\z \\\\u", "");
    // 将生成的 HTML 内容写入文件
    writeFile(htmlContent, outPutFile);
    // 输出生成文件的信息及用时
    System.out.println("Generate " + outPutFile + " with " + (System.currentTimeMillis() - startTime) + " ms.");
}

该方法功能实现：

将 .doc 格式的 Word 文档转换为 HTML 文件。
提取并保存文档中的图片到指定路径，并在 HTML 中插入图片引用。
处理分页符，将分页符（\f）替换为自定义的 HTML 标记。
格式化生成的 HTML 文件，便于阅读和使用。