Java 处理word文档后在前端展示

时间：2023-01-29 21:43:32

最新新开发的这个项目需要使用word文档并要求能在前端页面上带格式展示，由于项目不是内部使用，所以不考虑插件类的处理模式，都必须要本地处理完成，前端不需要做什么更新或者说安装就能直接访问，类似于百度文库这种。

  • 首先想到的是JSP能不能直接显示word文档呢?

然后找了很多资料，逛了很多论坛，发现很多人说可以，只要在处理的时候页面头上加上<%@page contentType="application/msword;charset=GBK" %> ，不知是我水平不够，还是有什么地方没有注意到，最终的结果都是提示下载或者是使用word打开，没有想象中的在jsp端直接显示的。

外面都是这种或类似这种意思：

<%@ page contentType="application/msword;charset=gb2312" %>

<%

    File f=new File("D:/Tomcat 5.5/webapps/neiwang/txt/telephone.doc");

    FileInputStream fin=new FileInputStream(f);

    OutputStream output=response.getOutputStream();

    byte[] buf=new byte[1024];

    int r=0;

    response.setContentType("application/msword;charset=GB2312");

    while((r=fin.read(buf,0,buf.length))!=-1)

    {

        output.write(buf,0,r);//response.getOutputStream()

     }

    fin.close();

    output.close();

%>

我做了一些尝试，发现根本无法显示，最终的结果都是提示下载。我想说的是，作为一个技术，发出来的解答首先你得自己能实现吧，不过帖子时间也比较久远了，可能当时确实是可以的或者说只是我不会而已，多说无益。既然这种办法处理不了，只能另寻他法。

  • 我换了个方法就是将 word 转换成 html ，再通过jsp来访问这个链接

这个是个比较传统的解决思路，搜一搜其实发现很多人都这么干，这批人难道也是对上述方法（jsp直接显示）失望了后找的这种模式？呵呵

比较常用的开源免费的有且只有几种，选择其中几种我尝试了一下。

首先想到的是POI，但处理 Word 没有想象的中的那样优秀，出来的基本一团糟，没有任何格式性可谈，而且需要一个字符一个字符的处理特别费力，结果不理想代码就不贴了，曾使用它来处理过 Excel 觉得还很优秀！

然后就另找了一个叫 OpenOffice，经过尝试发现经过它转换出来的文档，虽然缺失格式，但也不是不能接受，自己再另行加处理也许能成。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

基于这个基础上的实现需要下载 openOffice 。

1、下载 OpenOffice，http://download.openoffice.org/index.html

2、下载 Jodconverter，http://www.artofsolving.com/opensource/jodconverter  这是开启OpenOffice进行格式转化的第三方jar包。

3、安装 OpenOffice，成功后在安装目录下启动监听端口：

soffice -headless -accept="socket,port=8100;urp;"

可以通过 netstat –an|findstr “8100” 查看端口是否监听；如图

Java 处理word文档后在前端展示

4、打开Eclipse新建项目，导入Jodconverter/lib 下面的 jar 。具体的需要哪些自己可以尝试。我比较懒就都添加了。

Java 处理word文档后在前端展示

下面是代码:

import java.io.File;

import java.net.ConnectException;

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;

public class OfficeConverter {

    public static void main(String[] args) {

        File inputFile = new File("C:/test/yy.doc");

        File outputFile = new File("C:/test/yy.html");

        OpenOfficeConnection con = new SocketOpenOfficeConnection(8100);

        try {

            con.connect();

        } catch (ConnectException e) {

            System.err.println("文件转换出错，请检查OpenOffice服务是否启动。");

            e.printStackTrace();

        }

        DocumentConverter converter = new OpenOfficeDocumentConverter(con);

        converter.convert(inputFile, outputFile);

        con.disconnect();

    }

}

总结：使用OpenOffice作为转换引擎把word文档转换成html，比起使用微软的com组件有跨平台的优势，而且比Apache poi（POI貌似只能获取word中的文本内容，图片和表格，图片和表格的定位很是个问题，获取样式要一个字符一个字符的分析麻烦且效率低下）方便且简单，但是个人觉得这个结果其实并不理想，排版仍然缺失很严重。

普通情况下的排版差别见下图:

Java 处理word文档后在前端展示Java 处理word文档后在前端展示

通过程序读取解析后的文档格式如下图，经过对比貌似比 word 自身的另存为还好看点，相信经过不断优化以后应该能完美支持解析。但是细心点还是会看见单元格样式变了，排版变了，如果要求不是太高，这个也能满足需求了。

Java 处理word文档后在前端展示

不过如果只需要保存相关的文字的话，上面转化的html内容冗余比较多，可以用 java 正则表达式来处理多余字符串，详见下面的代码：

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

        htmlStr = htmlStr.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>");

        // 删除<STYLE TYPE="text/css"></STYLE>及之间的内容

        int styleBegin = htmlStr.indexOf("<STYLE");

        int styleEnd = htmlStr.indexOf("</STYLE>") + 8;

        String style = htmlStr.substring(styleBegin, styleEnd);

        htmlStr = htmlStr.replace(style, "");

        return htmlStr;

    }

这个OpenOffice基本使用就介绍完了,自己如果有更多需求的话可以去查查资料看怎么更完善，谢谢分享。

http://dangry.iteye.com/blog/858787

相关文章