將 Word 文檔轉換為 HTML 的Java工具類

第一：下載必備工具OpenOffice.org 3.2 (zh-CN) Installation Files  使用此工具 主要是 使用 其內部服務。

  如果想要  以工具形式 轉換， 此8100服務必須 的開啦，要不 不能轉換的啦。

第二：下載 jodconverter-2.2.2.zip 包， 該包中的 lib 包下的 jar 包 都是 為 轉換準備的。

第三：下載了 不用是不對i地，默認 安裝 OpenOffice.org 3.2 程序， 有的個別 殺毒軟件  回報一些 警告型阻止 提示 ， 直接 給 添加 到信任服務即可。

第四：安裝完畢之后呢， 當然 是要 開啟 服務了， 安裝 OpenOffice.org 3.2 的 目的 就是 為了 使用 其中的 8100 服務地，

           打開 運行文本框中 輸入 cmd 進入 命令窗口， 進入到 你的 默認安裝路徑  

          【提示一下，一般都會在C:\Program Files\OpenOffice.org 3\program這個路徑下，

              但是 64位系統中會在 C:\Program Files(x86)\OpenOffice.org 3\program 的這個路徑下 ，

             其區別 就是 多了一個 (x86)，我自己用的 是 64位的Win7系統，后來發現安裝好多軟件

              都不兼容，郁悶的不得了，現在用的是公司配了 32位的Win7系統。】

            依次使用如下兩條命令即可：

命令1：cd C:\Program Files\OpenOffice.org 3\program

命令2：soffice -headless -accept="socket,host=127.0.0.1,port=8100;urp;" -nofirststartwizard

執行玩 這兩條命令之后 ， 8100 服務就會 被打開了 ， 你也可以 使用  netstat -an 這個 命令 查看  8100 端口 是否 真的 被打開了。

打開  MyEclipse6.5  , 開發到現在 幾乎 MyEclipse這些 版本 差不多 都用過了， 但是后期 還是 覺得 這個 6.5 比較好用，

8.5之后 機器 卡的的不行， 配置 好的機器還可以，配置 稍微 差點的 ， 你跑起來 就是到有多么的杯具了。

呃~~~~~好似  又脫離正題了，我們繼續哈....  在其中建立一個公共類：名為WordToHtml.java  代碼共享如下 ：

package com.stars.windpowersystem.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;

/**
 * 描述: TODO 將Word文檔轉換成html字符串的工具類
 * 
 * @類名稱: WordToHtml
 * @作者： 宋延軍
 * @郵箱： songyanjun_stars@126.com
 * @日期： Feb 9, 2012 10:07:21 AM
 */
public class WordToHtml {

    /**
     * 描述: TODO 調用測試
     * @標題: main
     * @設定: @param args
     * @返回類型: void
     */
    public static void main(String[] args) {

        Long time1 = System.currentTimeMillis();
        Long time2 = System.currentTimeMillis();

        System.out.println(
                toHtmlString(new File("C:/Users/Administrator/Desktop/風電可靠性信息管理系統/01_需求分析文檔/風電可靠性管理信息系統需求分析文檔V5.0（最新）.doc"), "C:/Users/Administrator/Desktop/風電可靠性信息管理系統/01_需求分析文檔/tempDir"));

        System.out.println("執行效率為："+(time2-time1));
    }

    /**
     * 將word文檔轉換成html文檔
     * 
     * @param docFile   需要轉換的word文檔
     * @param filepath  轉換之后html的存放路徑
     * @return 轉換之后的html文件
     */
    public static File convert(File docFile, String filepath) {
        // 創建保存html的文件
        File htmlFile = new File(filepath + "/" + new Date().getTime()+ ".html");
        // 創建Openoffice連接
        OpenOfficeConnection con = new SocketOpenOfficeConnection(8100);
        try {
            // 連接
            con.connect();
        } catch (ConnectException e) {
            System.out.println("獲取OpenOffice連接失敗...");
            e.printStackTrace();
        }
        // 創建轉換器
        DocumentConverter converter = new OpenOfficeDocumentConverter(con);
        // 轉換文檔問html
        converter.convert(docFile, htmlFile);
        // 關閉openoffice連接
        con.disconnect();
        return htmlFile;
    }

    /**
     * 將word轉換成html文件，并且獲取html文件代碼。
     * 
     * @param docFile  需要轉換的文檔
     * @param filepath 文檔中圖片的保存位置
     * @return 轉換成功的html代碼
     */
    public static String toHtmlString(File docFile, String filepath) {
        // 轉換word文檔
        File htmlFile = convert(docFile, filepath);
        // 獲取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();
            // 刪除臨時文件
            htmlFile.delete();
        } catch (FileNotFoundException e) {
            e.printStackTrace();
        } catch (IOException e) {
            e.printStackTrace();
        }
        // HTML文件字符串
        String htmlStr = htmlSb.toString();
        // 返回經過清潔的html文本
        return clearFormat(htmlStr, filepath);
    }

    /**
     * 清除一些不需要的html標記
     * 
     * @param htmlStr 帶有復雜html標記的html語句
     * @return  去除了不需要html標記的語句
     */
    protected static String clearFormat(String htmlStr, String docImgPath) {
        // 獲取body內容的正則
        String bodyReg = "<BODY .*</BODY>";
        Pattern bodyPattern = Pattern.compile(bodyReg);
        Matcher bodyMatcher = bodyPattern.matcher(htmlStr);
        if (bodyMatcher.find()) {
            // 獲取BODY內容，并轉化BODY標簽為DIV
            htmlStr = bodyMatcher.group().replaceFirst("<BODY", "<DIV").replaceAll("</BODY>", "</DIV>");
        }
        // 調整圖片地址
        htmlStr = htmlStr.replaceAll("<IMG SRC=\"", "<IMG SRC=\"" + docImgPath + "/");
        // 把<P></P>轉換成</div></div>保留樣式
        // content = content.replaceAll("(<P)([^>]*>.*?)(<\\/P>)",
        // "<div$2</div>");
        // 把<P></P>轉換成</div></div>并刪除樣式
        htmlStr = htmlStr.replaceAll("(<P)([^>]*)(>.*?)(<\\/P>)", "<p$3</p>");
        // 刪除不需要的標簽
        htmlStr = htmlStr
                .replaceAll("<[/]?(font|FONT|span|SPAN|xml|XML|del|DEL|ins|INS|meta|META|[ovwxpOVWXP]:\\w+)[^>]*?>", "");
        // 刪除不需要的屬性
        htmlStr = htmlStr
                .replaceAll("<([^>]*)(?:lang|LANG|class|CLASS|style|STYLE|size|SIZE|face|FACE|[ovwxpOVWXP]:\\w+)=(?:'[^']*'|\"\"[^\"\"]*\"\"|[^>]+)([^>]*)>", "<$1$2>");
        return htmlStr;
    }
}