作者：乔山办公网日期：
返回目录：word文档
1、实现富文本中样式代码的分离；
2、保留CSS样式；
其实百以上两个步骤是相互矛盾的处理过程，无法通过Jacob或POI组件加正则表达式过滤解决，于是进行了以下步骤的实验：
1、首先创建了一个空白word文档，格式（office 2003格式或office 2007格式）不限；度
2、将word格式保存为html格式，通过Edit Plus打开，发现代码中使用了office的命名空间，同时使用了office命名空间的问标签定义了CSS样式，自己测试了一下，将生成的html文件头和尾拷贝出来：答代码如下：
以上HTML头是office的命名空间定义。
3、将使用富文本代码粘贴到红色标识的<!-- 富文本代码区 -->中，并以doc或docx格式保存文件；
4、大功告成，打开文件时，Word将会以“Web版视图”回完美显示了富文本样式，成功解决了富文本代码中样式代码，并同时保留了格式；
目前研究的仅能保存文字，答未处理有图片的代码，朋友们可以再研究一下带图片的富文本代码的转换；
一、自动分页：通常百由页面的内容来决定。
1、在一个页面中连续按下【Enter】键使得Word进入下一页。
2、通过设置分页规则来影响Word的自动分度页。
（1）全选文档，可以按【Ctrl+A】组合键或者知鼠标全道选。
（2）单击按【开始】选项卡—>【段落】组的对话框中的“启动按钮”内，在弹出的选项卡【段落】对话框中单击【换页和分页】选项卡，勾选【段前分页】复选框，单击【确定】按钮即可。
二、手动分页：是通过插入分页符或者分节符的方式强制Word分页。
1、全选文档，同样的，可以按【Ctrl+A】组合键。或者鼠标全选。
2、按【Ctrl+H】组合键打开【查找和替换】对话框—>在【查找内容】文本框中输入容“^p”，在【替换为】文本框中输入“^p^m”，单击【全部替换】按钮，在弹出的替换提示对话框中单击【否】按钮即可。
解决方法很简单，步骤是这样的，
打开“我的电脑”，在菜抄单里选择“工具”->“文件夹选项”，会弹出对话框百。
在对话框里选择“文件类型”这个属性页，在列表中选度中扩展名为doc的类型，按下面的“高知级”按钮，在弹出的“编辑文件类型”对话道框里钩上“下载后确认打开”复选框就可以了。
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
4、Over
至此可见，这要求服务器端安装OpenOffice软件，其实也可以是MS Office，不过OpenOffice的优势是跨平台，你懂的。恩，说明一下，本文的测试基于 MS Win7 Ultimate X64 系统。
下面就是e79fa5e98193e78988e69d83338规规矩矩的实现。
1、下载OpenOffice，
2、下载Jodconverter 这是一个开启OpenOffice进行格式转化的第三方jar包。
3、泡杯热茶，等待下载。
4、安装OpenOffice，安装结束后，调用cmd，启动OpenOffice的一项服务：C:\Program Files (x86)\OpenOffice.org 3\program>soffice -headless -accept="socket,port=8100;urp;"
5、打开eclipse
6、喝杯热茶，等待eclipse打开。
7、新建eclipse项目，导入Jodconverter/lib 下得jar包。
* commons-io
* jodconverter
* juh
* jurt
* ridl
* slf4j-api
* slf4j-jdk14
* unoil
* xstream
8、Coding...
查看代码
package com.mzule.doc2html.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;
/**
* 将Word文档转换成html字符串的工具类
*
* @author MZULE
*
*/
public class Doc2Html {
public static void main(String[] args) {
System.out
.println(toHtmlString(new File("C:/test/test.doc"), "C:/test"));
}
/**
* 将word文档转换成html文档
*
* @param docFile
* 需要转换的word文档
* @param filepath
* 转换之后html的存放路径
* @return 转换之后的html文件
*/
public static File convert(File docFile, String filepath) {
// 创建保存html的文件
File htmlFile = new File(filepath + "/" + new Date().getTime()
+ ".html");
// 创建Openoffice连接
OpenOfficeConnection con = new SocketOpenOfficeConnection(8100);
try {
// 连接
con.connect();
} catch (ConnectException e) {
System.out.println("获取OpenOffice连接失败...");
e.printStackTrace();
}
// 创建转换器
DocumentConverter converter = new OpenOfficeDocumentConverter(con);
// 转换文档问html
converter.convert(docFile, htmlFile);
// 关闭openoffice连接
con.disconnect();
return htmlFile;
}
/**
* 将word转换成html文件，并且获取html文件代码。
*
* @param docFile
* 需要转换的文档
* @param filepath
* 文档中图片的保存位置
* @return 转换成功的html代码
*/
public static String toHtmlString(File docFile, String filepath) {
// 转换word文档
File htmlFile = convert(docFile, filepath);
// 获取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();
// 删除临时文件
htmlFile.delete();
} catch (FileNotFoundException e) {
e.printStackTrace();
} catch (IOException e) {
e.printStackTrace();
}
// HTML文件字符串
String htmlStr = htmlSb.toString();
// 返回经过清洁的html文本
return clearFormat(htmlStr, filepath);
}
/**
* 清除一些不需要的html标记
*
* @param htmlStr
* 带有复杂html标记的html语句
* @return 去除了不需要html标记的语句
*/
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
// content = content.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>");
return htmlStr;
}
}