Word文件轉html並提取標題

摘要： 最近做了一個功能，需要將word文件轉化成html的格式，並提取出標題生成導航。考慮到功能的複雜程度，將需要降低為對“標題1”這種格式進行提取。 docx為字尾的文件（word2007）支援XML的檔案格式，本質上是一個zip壓縮包，解壓出來就可以看到所有信息，可能正因為如果，使用XHTM...

最近做了一個功能，需要將word文件轉化成html的格式，並提取出標題生成導航。考慮到功能的複雜程度，將需要降低為對“標題1”這種格式進行提取。

docx為字尾的文件（word2007）支援XML的檔案格式，本質上是一個zip壓縮包，解壓出來就可以看到所有信息，可能正因為如果，使用XHTMLConverter便可以得到對應的html文件，且標題元素的class屬性被標註為"X"+n（n為標題層級）。

但doc文件但相對麻煩，doc文件一般使用poi讀取，用的比較多的html轉換方式是使用poi中的WordToHtmlConverter進行轉換，這個轉換器並不會對標題進行特殊處理，將其當做普通有樣式的一個段落(Paragraph)進行處理，因此會和其他普通段落混合在一起。對此有兩種處理方法：

方案一：重寫processParagraph方法，在標黃部分加上對標題的判斷，對標題進行特殊處理，但由於WordToHtmlConverter的成員變數均宣告為private，因此我採用了另一種方案。

protected void processParagraph(HWPFDocumentCore hwpfDocument, Element parentElement, int currentTableLevel, Paragraph paragraph, String bulletText) {
Element pElement = this.htmlDocumentFacade.createParagraph();
parentElement.appendChild(pElement);
StringBuilder style = new StringBuilder();
WordToHtmlUtils.addParagraphProperties(paragraph, style);
int charRuns = paragraph.numCharacterRuns();
if(charRuns != 0) {
CharacterRun characterRun = paragraph.getCharacterRun(0);
String pFontName;
int pFontSize;
if(characterRun != null) {
Triplet triplet = this.getCharacterRunTriplet(characterRun);
pFontSize = characterRun.getFontSize() / 2;
pFontName = triplet.fontName;
WordToHtmlUtils.addFontFamily(pFontName, style);
WordToHtmlUtils.addFontSize(pFontSize, style);
} else {
pFontSize = -1;
pFontName = "";
}

this.blocksProperies.push(new WordToHtmlConverter.BlockProperies(pFontName, pFontSize));

try {
if(WordToHtmlUtils.isNotEmpty(bulletText)) {
if(bulletText.endsWith("\t")) {
float defaultTab = 720.0F;
float firstLinePosition = (float)(paragraph.getIndentFromLeft() + paragraph.getFirstLineIndent() + 20);
float nextStop = (float)(Math.ceil((double)(firstLinePosition / 720.0F)) * 720.0D);
float spanMinWidth = nextStop - firstLinePosition;
Element span = this.htmlDocumentFacade.getDocument().createElement("span");
this.htmlDocumentFacade.addStyleClass(span, "s", "display: inline-block; text-indent: 0; min-width: " + spanMinWidth / 1440.0F + "in;");
pElement.appendChild(span);
Text textNode = this.htmlDocumentFacade.createText(bulletText.substring(0, bulletText.length() - 1) + '\u200b' + ' ');
span.appendChild(textNode);
} else {
Text textNode = this.htmlDocumentFacade.createText(bulletText.substring(0, bulletText.length() - 1));
pElement.appendChild(textNode);
}
}

this.processCharacters(hwpfDocument, currentTableLevel, paragraph, pElement);
} finally {
this.blocksProperies.pop();
}

if(style.length() > 0) {
this.htmlDocumentFacade.addStyleClass(pElement, "p", style.toString());
}

WordToHtmlUtils.compactSpans(pElement);
}
}

方案二：在word文件中進行埋點，然後在處理過後的html文件中根據itTitleMap進行再處理

private Map<String,String> setTitleElements(HWPFDocument wordObject ){
// 獲取樣式表
StyleSheet styleSheet = wordObject.getStyleSheet();
int styleTotal = wordObject.getStyleSheet().numStyles();
// 使用map對映儲存標題資訊
Map<String,String> idTitleMap = Maps.newHashMap();
Range range = wordObject.getRange();
for (int i = 0; i < range.numParagraphs(); i++) {
// 獲取樣式資訊
Paragraph paragraph = range.getParagraph(i);
int styleIndex = paragraph.getStyleIndex();
if (styleTotal > styleIndex) {
StyleDescription styleDescription = styleSheet.getStyleDescription(styleIndex);
String descriptionName = styleDescription.getName();
if ( descriptionName != null&&descriptionName.contains(FIRST_LEVEL_TITLE_DESCRIPTION)) {
String uuid = UUIDHelper.getUuid();
String text = paragraph.text().replaceAll( "[\r\n]", "" );
paragraph.replaceText( uuid, false );
idTitleMap.put( uuid, text );
}
}
}

return idTitleMap;
}