公司有个需求，需要将word转成pdf并且抽取首页用以展示，word文档有需要兼容.doc和.docx两种文档格式。其中.docx通过poi直接就可以将word转成pdf，.doc则无法这样实现，上网查询很多资料，大概思路是正确的，既将.doc文档转成html，再将html转成pdf，具体实现的时候，却发现很多方法都不完善，要么转换的html标签不闭合，无法转pdf，要么是转pdf时中文不显示，在下将方法汇总之后，整理出一套亲测可用的代码，现附上，如下：
maven依赖：
<!-- word转html -->
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-scratchpad</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>fr.opensagres.xdocreport</groupId>
<artifactId>xdocreport</artifactId>
<version>1.0.6</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>poi-ooxml-schemas</artifactId>
<version>3.14</version>
</dependency>
<dependency>
<groupId>org.apache.poi</groupId>
<artifactId>ooxml-schemas</artifactId>
<version>1.3</version>
</dependency>
<!-- https://mvnrepository.com/artifact/com.lowagie/itext -->
<!-- <dependency>
<groupId>com.lowagie</groupId>
<artifactId>itext</artifactId>
<version>2.0.8</version>
</dependency> -->
<!-- html转pdf -->
<!-- https://mvnrepository.com/artifact/org.xhtmlrenderer/flying-saucer-pdf -->
<dependency>
<groupId>org.xhtmlrenderer</groupId>
<artifactId>flying-saucer-pdf</artifactId>
<version>9.0.7</version>
</dependency>
<!-- https://mvnrepository.com/artifact/org.jsoup/jsoup -->
<!-- html转xhtml -->
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.11.3</version>
</dependency>
代码：
/**
*
*/
package cn.test.util.utils;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.io.InputStream;
import java.io.OutputStream;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.parsers.ParserConfigurationException;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerConfigurationException;
import javax.xml.transform.TransformerException;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;
import org.apache.commons.collections.MapUtils;
import org.apache.commons.lang.StringUtils;
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.converter.PicturesManager;
import org.apache.poi.hwpf.converter.WordToHtmlConverter;
import org.apache.poi.hwpf.usermodel.Picture;
import org.apache.poi.hwpf.usermodel.PictureType;
import org.apache.poi.xwpf.converter.pdf.PdfConverter;
import org.apache.poi.xwpf.converter.pdf.PdfOptions;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
import org.apache.poi.xwpf.usermodel.XWPFParagraph;
import org.apache.poi.xwpf.usermodel.XWPFRun;
import org.apache.poi.xwpf.usermodel.XWPFTable;
import org.apache.poi.xwpf.usermodel.XWPFTableCell;
import org.apache.poi.xwpf.usermodel.XWPFTableRow;
import org.jsoup.Jsoup;
import org.jsoup.nodes.Entities;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.w3c.dom.Document;
import org.xhtmlrenderer.pdf.ITextFontResolver;
import org.xhtmlrenderer.pdf.ITextRenderer;
import com.itextpdf.text.DocumentException;
import com.itextpdf.text.pdf.PdfCopy;
import com.itextpdf.text.pdf.PdfImportedPage;
import com.itextpdf.text.pdf.PdfReader;
import com.lowagie.text.pdf.BaseFont;
/**
* @author gsxs
* <li>word转pdf工具类<li>
* @since 2019年2月26日15:52:21
*/
public class Word2PDFUtils {
private static final Logger logger = LoggerFactory
.getLogger(Word2PDFUtils.class);
public static void main(String[] args) {
try {
word2PDF("D://Test/test.doc",
"D:/Test/test.pdf");
} catch (Exception e) {
// TODO Auto-generated catch block
e.printStackTrace();
}
}
/**
* word文档转pdf，自动匹配.doc和.docx格式
*
* @param wordFilePath
* word文档路径
* @param pdfFilePath
* 欲输出pdf文档路径
* @throws Exception
*/
public static File word2PDF(String wordFilePath, String pdfFilePath)
throws Exception {
if (StringUtils.isBlank(pdfFilePath)
|| StringUtils.isBlank(wordFilePath)) {
logger.info("word2PDF 文件路径为空，wordFilePath={}，pdfFilePath={}",
wordFilePath, pdfFilePath);
return null;
}
File wordFile = new File(wordFilePath);
File pdfFile = new File(pdfFilePath);
return word2PDF(wordFile, pdfFile);
}
/**
* word文档转pdf，自动匹配.doc和.docx格式
*
* @param wordFile
* word文档File对象
* @param pdfFile
* pdfFile对象
* @throws Exception
* @throws FileNotFoundException
*/
public static File word2PDF(File wordFile, File pdfFile) throws Exception {
if (null == wordFile || null == pdfFile) {
logger.info("word2PDF 文件对象为空，wordFile={}，pdfFile={}", wordFile,
pdfFile);
return null;
}
String wordName = wordFile.getName();
if (!wordName.endsWith(".doc") && !wordName.endsWith(".docx")) {
// 格式不对
logger.info("不是word文档格式，文件路径={}", wordFile.getAbsolutePath());
return null;
}
File pdfParentFile = pdfFile.getParentFile();
if (!pdfParentFile.exists()) {
pdfParentFile.mkdirs();
}
String absolutePath = pdfParentFile.getAbsolutePath();
wordName = wordName.substring(0, wordName.indexOf("."));
String pdfPath = absolutePath + "/pdf/" + wordName + ".pdf";
File tempPdfFile = new File(pdfPath);
if (wordFile.getName().endsWith("doc")) {
String htmlPath = absolutePath + "/html/" + wordName + ".html";
File htmlFile = new File(htmlPath);
// doc格式word文档，先转成html，再格式化标签成xhtml，最后转成pdf
wordDocToHtml(wordFile, htmlFile);
convertHtmlToPdf(htmlFile, tempPdfFile);
// 删除html文件
boolean delete = htmlFile.delete();
logger.info("删除htmlFile路径path={}，结果={}",
htmlFile.getAbsolutePath(), delete);
} else if (wordFile.getName().endsWith("docx")) {
// docx格式转pdf
wordConverterToPdf(new FileInputStream(wordFile),
new FileOutputStream(tempPdfFile), null);
}
// 抽取第一页
splitPDFFile(tempPdfFile.getAbsolutePath(), pdfFile.getAbsolutePath(),
1, 2);
// 删除临时的pdf文件
boolean delete = tempPdfFile.delete();
logger.info("删除tempPdfFile路径path={}，结果={}",
tempPdfFile.getAbsolutePath(), delete);
return pdfFile;
}
/**
* 将word文档， 转换成pdf, 中间替换掉变量
*
* @param source
* 源为word文档， 必须为docx文档
* @param target
* 目标输出
* @param params
* 需要替换的变量
* @throws Exception
*/
private static void wordConverterToPdf(InputStream source,
OutputStream target, Map<String, String> params) throws Exception {
wordConverterToPdf(source, target, null, params);
}
/**
* 将word文档， 转换成pdf, 中间替换掉变量
*
* @param source
* 源为word文档， 必须为docx文档
* @param target
* 目标输出
* @param params
* 需要替换的变量
* @param options
* PdfOptions.create().fontEncoding( "windows-1250" ) 或者其他
* @throws Exception
*/
private static void wordConverterToPdf(InputStream source,
OutputStream target, PdfOptions options, Map<String, String> params)
throws Exception {
XWPFDocument doc = new XWPFDocument(source);
paragraphReplace(doc.getParagraphs(), params);
// 存在需要替换的再循环
if (MapUtils.isNotEmpty(params)) {
for (XWPFTable table : doc.getTables()) {
for (XWPFTableRow row : table.getRows()) {
for (XWPFTableCell cell : row.getTableCells()) {
paragraphReplace(cell.getParagraphs(), params);
}
}
}
}
PdfConverter.getInstance().convert(doc, target, options);
}
/**
* 替换数据
*
* @param paragraphs
* @param params
*/
private static void paragraphReplace(List<XWPFParagraph> paragraphs,
Map<String, String> params) {
if (MapUtils.isNotEmpty(params)) {
for (XWPFParagraph p : paragraphs) {
for (XWPFRun r : p.getRuns()) {
String content = r.getText(r.getTextPosition());
if (StringUtils.isNotEmpty(content)
&& params.containsKey(content)) {
r.setText(params.get(content), 0);
}
}
}
}
}
/**
* .doc文档转html
*
* @param wordFile
* word File对象
* @param htmlFile
* html File对象
*/
private static void wordDocToHtml(File wordFile, File htmlFile) {
if (null == wordFile || null == htmlFile) {
return;
}
File parentFile = htmlFile.getParentFile();
if (!parentFile.exists()) {
parentFile.mkdirs();
}
String absolutePath = parentFile.getAbsolutePath();
HWPFDocument wordDocument;
final String imagepath = absolutePath + "/temp/wordimage/";
try {
// 根据输入文件路径与名称读取文件流
InputStream in = new FileInputStream(wordFile);
// 把文件流转化为输入wordDom对象
wordDocument = new HWPFDocument(in);
// 通过反射构建dom创建者工厂
DocumentBuilderFactory domBuilderFactory = DocumentBuilderFactory
.newInstance();
// 生成dom创建者
DocumentBuilder domBuilder = domBuilderFactory.newDocumentBuilder();
// 生成dom对象
Document dom = domBuilder.newDocument();
// 生成针对Dom对象的转化器
WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(
dom);
// 转化器重写内部方法
wordToHtmlConverter.setPicturesManager(new PicturesManager() {
@Override
public String savePicture(byte[] content,
PictureType pictureType, String suggestedName,
float widthInches, float heightInches) {
File imgPath = new File(imagepath);
if (!imgPath.exists()) {// 图片目录不存在则创建
imgPath.mkdirs();
}
File file = new File(imagepath + suggestedName);
try {
OutputStream os = new FileOutputStream(file);
os.write(content);
os.close();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
return imagepath + suggestedName;
}
});
// 转化器开始转化接收到的dom对象
wordToHtmlConverter.processDocument(wordDocument);
// 保存文档中的图片
List<?> pics = wordDocument.getPicturesTable().getAllPictures();
if (pics != null) {
for (int i = 0; i < pics.size(); i++) {
Picture pic = (Picture) pics.get(i);
try {
pic.writeImageContent(new FileOutputStream(imagepath
+ pic.suggestFullFileName()));
} catch (FileNotFoundException e) {
e.printStackTrace();
}
}
}
// 从加载了输入文件中的转换器中提取DOM节点
Document htmlDocument = wordToHtmlConverter.getDocument();
// 从提取的DOM节点中获得内容
DOMSource domSource = new DOMSource(htmlDocument);
// 字节码输出流
OutputStream out = new FileOutputStream(htmlFile);
// 输出流的源头
StreamResult streamResult = new StreamResult(out);
// 转化工厂生成序列转化器
TransformerFactory tf = TransformerFactory.newInstance();
Transformer serializer = tf.newTransformer();
// 设置序列化内容格式
serializer.setOutputProperty(OutputKeys.ENCODING, "Unicode");//此处根据你 的word文档的编码格式进行设置
serializer.setOutputProperty(OutputKeys.INDENT, "yes");
serializer.setOutputProperty(OutputKeys.METHOD, "html");
serializer.transform(domSource, streamResult);
out.close();
in.close();
} catch (FileNotFoundException e1) {
e1.printStackTrace();
} catch (IOException e1) {
e1.printStackTrace();
} catch (TransformerConfigurationException e) {
e.printStackTrace();
} catch (TransformerException e) {
e.printStackTrace();
} catch (ParserConfigurationException e) {
e.printStackTrace();
}
}
/**
* .doc转html
*
* @param wordFilePath
* @param htmlFilePath
*/
private static void wordDocToHtml(String wordFilePath, String htmlFilePath) {
if (org.apache.commons.lang3.StringUtils.isAnyBlank(wordFilePath,
htmlFilePath)) {
return;
}
File wordFile = new File(wordFilePath);
File htmlFile = new File(htmlFilePath);
wordDocToHtml(wordFile, htmlFile);
}
/**
* html转pdf
*
* @param htmlFile
* @param pdfFile
* @return
* @throws Exception
*/
private static boolean convertHtmlToPdf(File htmlFile, File pdfFile)
throws Exception {
if (null == htmlFile || null == pdfFile) {
logger.info("html转pdf时，有file为空，htmlFile={}，pdfFile={}", htmlFile,
pdfFile);
return false;
}
String absoluteFilePath = htmlFile.getParentFile().getAbsolutePath();
if (!pdfFile.getParentFile().exists()) {
pdfFile.getParentFile().mkdirs();
}
// .doc转成的html中有些标签：例如<mate>不严谨，会出现标签不闭合问题，在转pdf时会报异常，故此处用jsoup将html转化成xhtml，将标签严谨化
// 格式化html标签
org.jsoup.nodes.Document parse = Jsoup.parse(htmlFile, "utf-8");
parse.outputSettings()
.syntax(org.jsoup.nodes.Document.OutputSettings.Syntax.xml)
.escapeMode(Entities.EscapeMode.xhtml);
String html = parse.html();
// 此处将body标签中的字体设置为SimSun，必须是这种样式，才会识别中文支持的文件，如果不设置，会出现转成的pdf中文不显示问题（此处需要替换的字段，可用将自己转成的html打印出来，查看是否是宋体，如不是，将宋体改为你转换成html的字体格式）
html = html.replace("font-family:宋体", "font-family: SimSun");
OutputStream os = new FileOutputStream(pdfFile);
ITextRenderer renderer = new ITextRenderer();
renderer.setDocumentFromString(html);
// 解决中文支持问题
ITextFontResolver fontResolver = renderer.getFontResolver();
String osName = System.getProperty("os.name");
String path = "";
if(osName.toLowerCase().startsWith("win")){//windows系统
path = Word2PDFUtils.class.getClassLoader()
.getResource("simsun.ttc").getPath();
}else{//linux系统
path = PropKit.get("font.path");//获取配置文件里的字体文件所在路径
}
logger.info(path);
fontResolver.addFont(path, BaseFont.IDENTITY_H, BaseFont.NOT_EMBEDDED);
// 解决图片的相对路径问题
renderer.getSharedContext().setBaseURL(
"file:" + absoluteFilePath + "/temp/htmlimage");
renderer.layout();
renderer.createPDF(os);
os.flush();
os.close();
return true;
}
/**
* html转pdf
*
* @param inputFile
* @param outputFile
* @return
* @throws Exception
*/
private static boolean convertHtmlToPdf(String inputFile, String outputFile)
throws Exception {
if (org.apache.commons.lang3.StringUtils.isAnyBlank(inputFile,
outputFile)) {
logger.info("html转pdf是，路径为空，inputFile={}，outputFile={}", inputFile,
outputFile);
;
return false;
}
File htmlFile = new File(inputFile);
File pdfFile = new File(outputFile);
return convertHtmlToPdf(htmlFile, pdfFile);
}
/**
* 截取pdfFile的第from页至第end页，组成一个新的文件名
*
* @param pdfFile
* 需要分割的PDF
* @param savepath
* 新PDF
* @param from
* 起始页
* @param end
* 结束页
*/
private static void splitPDFFile(String respdfFile, String savepath,
int from, int end) {
com.itextpdf.text.Document document = null;
PdfCopy copy = null;
try {
PdfReader reader = new PdfReader(respdfFile);
int n = reader.getNumberOfPages();
if (end == 0) {
end = n;
}
ArrayList<String> savepaths = new ArrayList<String>();
savepaths.add(savepath);
document = new com.itextpdf.text.Document(reader.getPageSize(1));
copy = new PdfCopy((com.itextpdf.text.Document) document,
new FileOutputStream(savepaths.get(0)));
document.open();
for (int j = from; j < end; j++) {
document.newPage();
PdfImportedPage page = copy.getImportedPage(reader, j);
copy.addPage(page);
}
document.close();
reader.close();
copy.close();
} catch (IOException e) {
e.printStackTrace();
} catch (DocumentException e) {
e.printStackTrace();
}
}
}
其中.doc文档转html方法与其他一样，只是转完html时需要用jsoup转一遍xhtml，使标签严谨化，然后转pdf，转pdf时加入中文字体支持，
如果报没有搜索到方法的异常，可能是jar包版本的问题，就将<!-- <dependency>
<groupId>com.lowagie</groupId>
<artifactId>itext</artifactId>
<version>2.0.8</version>
</dependency> -->依赖放开试试，我开始的时候遇见过这个异常，后来随着导入的依赖增多，这个依赖注掉也不会有这个异常了。可能是其他的依赖里有这个版本--2.0.8的itext的jar包，但是不确定你的其他依赖里是否存在，故此说明
另外说明一下，iText包好像自从3.0以后改名叫itextpdf了，所以如果引入了itextpdf包，就不需要再引入itext了。一切搞定以后，在windows系统上运行ok，但是上了linux系统，就不行了，报中文字体不识别的异常，而且中文转pdf时会丢失，是因为需要在linux系统安装一下字体文件包，然后将字体所在目录配置在配置文件中，手动获取路径（代码中已经体现），这样才可以。
另外附上文件simsun.ttc百度云下载地址：
链接：https://pan.baidu.com/s/1iH4iqJB2X_0gB7T4_CClzA
提取码：7rmn
此链接失效，百度说监测到非法数据，不让分享，这个字体就是windows自带的字体，各位可以在自己电脑上搜出来这个文件使用。我试了下windows自带的字体，好像安装在linux上不行，非得需要一个特殊的字体文件，百度云盘木办法分享，csdn上有下载的地方，需要1积分，不想花积分的，留下邮箱，我看见了会把字体文件发邮箱的，但是不保证什么时候能看到，
如果各位亲测有效，希望点赞，让更多人看到，解决更多人的问题，如果各位使用中遇见什么问题，也希望留言讨论。