（三）、JAVA基于OPENXML的word文档插入、合并、替换操作系列之html转word

（二）、JAVA基于OPENXML的word文档插入、合并、替换操作系列之html转word、互转富文本转word文档准备待转换内容内容清理与格式化转换成word文档输出结果展示附加内容、常见错误富文本转word文档我们经常会遇到在项目中，需要将一段内容输出到word、比如通过在你的项目中放一个富文本编辑器，通过用户的输入提交后，将它做一些处理之后这个内容生成一个word文档，然后提供用户下载使

南老頭

1565人浏览 · 2020-07-21 22:35:30

南老頭 · 2020-07-21 22:35:30 发布

（三）、JAVA基于OPENXML的word文档插入、合并、替换操作系列之html转word

富文本转word文档

我们经常会遇到在项目中，需要将一段内容输出到word、比如通过在你的项目中放一个富文本编辑器，通过用户的输入提交后，将它做一些处理之后这个内容生成一个word文档，然后提供用户下载使用，或者用户上传一个word文档，需要在你项目的界面上显示出来，那么这篇笔记或许可以帮到你，当然这只是其中一个实现方案，网上有许多其他实现方案不在此做探讨

准备待转换内容

我们先来准备一段富文内容，通过OPENXML转成word需要一个完整的html格式文档，比如有不支持属性的、属性有单引号、没有引号的等各种不标准的HTML代码，在处理过程中会出错，或者被忽略掉。
随便copy了一段

内容清理与格式化

此处我们通过借助 Jsoup来将html转为 xhtml ，操作之后html代码段就会被格式化属性="属性值" 这种标准的格式，当然还有更多其他效果，具体请自行动手体验。

public String cleanHtmlQuot(String htmlContent){
        if(StringUtils.isBlank(htmlContent))
            return htmlContent;

		// 这步是将html代码中转义的代码进行恢复， 从富文编辑提交过来的内容，会进行一个特殊字符转义  
		// 去除本地图片(file://)或地址为空的图片,(?i)不区分大小写，  我的代码中去掉了，你可以不要
        String unescape = StringEscapeUtils.unescapeHtml4(htmlContent)
                .replaceAll("(?i)<img.*?src=[\\\"|\\']?((file://.*?)|(\\s*))[\\\"|\\']?\\s.*?>",""); 

        return Jsoup.clean(unescape, user_content_filter)
                .replace("windowtext","#000"); //windowtext 不识别，改成 #000
    }

	/**
     *  html 格式化，转成标准的 xhtml 格式
     *      1px＝0.75pt，常见的宋体9pt＝12px  pt=px乘以3/4。
     *      1mm约等于2.83pt,A4尺寸是21cm*29.7cm,所以应该是594.3pt*840.51pt
     * @param html
     * @return
     */
    public String html2xhtml(String html){
        final Document htmldoc = Jsoup.parse( this.cleanHtmlQuot(trimNull(html)));
        htmldoc.outputSettings().syntax(Document.OutputSettings.Syntax.xml).escapeMode(Entities.EscapeMode.xhtml);
        return htmldoc.html();//.replaceAll("(?i)(&#xa0;)|(&#160;)","&nbsp;");
    }

格式化后的效果是这样的，没有<html><head><body>它都给自动加上了
格式化输出

转换成word文档

此处通过 DOCX4J 将html内容转成POI的XWPFDocument对象，然后直接输出为word文档.

/**
     * @param htmlBody
     * @return
     */
    public XWPFDocument html2WordDocument(String htmlBody){
        if(StringUtils.isBlank(htmlBody)){
            return null;
        }
        final String htmlContent = html2xhtml(htmlBody);

        try(ByteArrayOutputStream bos = new ByteArrayOutputStream()){

            WordprocessingMLPackage wordMLPackage = WordprocessingMLPackage.createPackage();
            XHTML2WordImporterImpl XHTMLImporterImpler = new XHTML2WordImporterImpl(wordMLPackage);
//            XHTMLImporterImpler.setXHTMLImageHandler(new XHTML2WordImageHandler(XHTMLImporterImpler));

//            延迟解析比率 ，解决报错:  java.io.IOException: Zip bomb detected!
//            参考  https://stackoverflow.com/questions/46796874/java-io-ioexception-failed-to-read-zip-entry-source
            ZipSecureFile.setMinInflateRatio(-1.0d);
            wordMLPackage.getMainDocumentPart().getContent().addAll(XHTMLImporterImpler.convert(htmlContent,""));
            wordMLPackage.save(bos);

//            logger.info("tmpFile:{}", tmpFile.getAbsolutePath());
//            wordMLPackage.save(new File("/Users/tenney/Desktop/word.docx"));

            return verifyContent4MSOffice(new XWPFDocument(new ByteArrayInputStream(bos.toByteArray())));

        } catch (Exception e) {
            logger.error("解析HTML为WORD内容出错：{}", e.getMessage(), e);
        }
        return null;
    }

 	@Test
    public void html2Word() throws IOException {

        WrodPlaceholderProcessor processor = new WrodPlaceholderProcessor(null,null,null);
        
        long start = System.currentTimeMillis();
//        XWPFDocument doc = processor.html2DOCXDocument(htmlText);
//        System.err.println(processor.cleanHtmlQuot(htmlText));
        XWPFDocument doc = processor.html2WordDocument(htmlText);
        
        System.err.println(doc.getDocument().getBody().xmlText());

        FileOutputStream dest = new FileOutputStream(new File("/Users/tenney/Desktop/2222222222.docx"));
//        document.write(dest);
        doc.write(dest);

//        IOUtils.closeQuietly(dest);
        System.err.println("用时："+ (System.currentTimeMillis() - start) + " ms");
    }

输出结果展示

转换过程会生成一个符合OPENXML规范的内容，如下
openxml格式内容
最终效果图

附加内容、常见错误

在我的实践过程中发现，转换表格时偶尔会出现，表格中转换出的行标签<w:tr>，却没有列<w:tc>内容引发报错，以下为我的解决方案，实现逻辑为：

在该行中创建一个列，并根据<w:tblGrid>定义的列数进行列合并，最终目的其实就是转换为一个有效的空行。


/**
     *  较验生成的内容是否符合微软office的格式要求
     * @param document
     * @return
     */
    public XWPFDocument verifyContent4MSOffice(XWPFDocument document){
        //较验表格
        /**
         *
         * <w:tbl>
         *         <w:tblPr>
         *             ....
         *         </w:tblPr>
         *         <w:tblGrid>
         *             <w:gridCol w:w="916"/>
         *             <w:gridCol w:w="1826"/>
         *             <w:gridCol w:w="3488"/>
         *             <w:gridCol w:w="3650"/>
         *             <w:gridCol w:w="1716"/>
         *             <w:gridCol w:w="1524"/>
         *         </w:tblGrid>
         *         <w:tr>
         *             <w:trPr>
         *                 <w:trHeight w:val="555" w:hRule="atLeast"/>
         *             </w:trPr>
         *             //  该处没有 tc(column)，将导致ms office打开报错
         *         </w:tr>
         *         <w:tr>
         *             <w:trPr>
         *                 <w:trHeight w:val="360" w:hRule="atLeast"/>
         *             </w:trPr>
         *             <w:tc>
         *                 <w:tcPr>
         *                     <w:tcW w:w="0" w:type="auto"/>
         *                     <w:gridSpan w:val="6"/>
         *                     <w:tcBorders/>
         *                     <w:tcMar>
         *                         <w:top w:w="11" w:type="dxa"/>
         *                         <w:left w:w="11" w:type="dxa"/>
         *                         <w:bottom w:w="15" w:type="dxa"/>
         *                         <w:right w:w="11" w:type="dxa"/>
         *                     </w:tcMar>
         *                     <w:vAlign w:val="center"/>
         *                 </w:tcPr>
         *                 <w:p>
         *                     <w:pPr>
         *                         <w:spacing w:after="269"/>
         *                         <w:ind w:left="225"/>
         *                         <w:jc w:val="left"/>
         *                     </w:pPr>
         *                     <w:r>
         *
         */
//        document.getDocument().getBody().getSectPr().getPgSz();
        document.getDocument().getBody().getTblList().forEach(tbl->{

//            tbl.getTblPr().getTblW().setW(BigInteger.valueOf(2000));
//            tbl.getTblPr().getTblW().setType(STTblWidth.DXA);
//            tbl.getTblPr().addNewTblStyle().setVal("StyledTable");

            CTTblGrid grid = tbl.getTblGrid();
            List<CTRow> rows = tbl.getTrList();
            try{
                rows.forEach(row->{
                    if(row.getTcList() == null || row.getTcList().isEmpty()){
                        CTTc tc= row.addNewTc();
                        tc.addNewP().addNewR().addNewT();
                        if(grid != null){
                            CTTcPr pr = tc.addNewTcPr();
                            pr.addNewGridSpan().setVal(BigInteger.valueOf(grid.getGridColList().size()));
                            tc.setTcPr(pr);
                        }
                    }
                });
            }catch (Exception e){
                logger.warn("较验文档内容有效性出错：{}", e.getMessage());
            }
        });
        return document;
    }

结束语

网上其实有很多html转成word的方法，鄙人也看过很多，比如直接通过POI实现的，甚至有手动逐个解析word中每个元素，比如图片、表格、段落等等然后再逐一用html代码拼出来的，当然这些方法我也用过，只是未能达到我的目的，要么转换的效果不够好，要么转换不完整，所以经过我长时间的折腾拼凑出这么一个方法，虽然也算不上很完美，但在我见过的方法中应该算是比较好用的了，唠叨这么一段只是提示一点解决问题的思路，方法千千万，每个方法也有每个方法特色和应用场景，找到适合自己的就是最完美的！