openOffice 把word转换成html

[url]http://jadethao.iteye.com/blog/1817738  [/url]

最近项目中需要把word转换成html格式，直接通过Java代码转化，出来的格式对不上号，网上找到有一些方法，可以接触一下插件或者第三方jar可以进行转换，这里先说说，使用openOffices 转换的过程以及使用.

1、下载安装OpenOffice.org 3.4.1，安装过程略过。
   官网地址：http://download.openoffice.org/index.html
2、下载第三方包Jodconverter.jar，开启OpenOffice进行格式转化
  官网地址：[url] http://www.artofsolving.com/opensource/jodconverter[/url]

3、一切准备工作就绪开始动手时间，

首先，启动端口：
进入dos, cd  C:\Program Files (x86)\OpenOffice.org 3\program
启动命令：soffice -headless -accept="socket,port=8100;urp;

  
package com.artofsolving.jodconverter.test;  
  
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.nio.charset.Charset;  
import java.util.Date;  
import java.util.HashMap;  
import java.util.Map;  
import java.util.Set;  
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;  
  
/** 
 *  
 * 端口启动命令： 
 * soffice -headless -accept="socket,port=8100;urp; 
 * C:\Program Files (x86)\OpenOffice.org 3\program 
 *  
 * 将Word文档转换成html字符串的工具类 
 *  
 *  
 */  
  
public class Test {  
  
    public static void main(String[] args) {  
        toHtmlString(new File("C:\\Users\\Administrator\\Desktop\\a111.doc"), "E:/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);  
          
        /*try { 
            FileUtils.copyFile(docFile,new File("e://ee.doc")); 
            FileInputStream input = FileUtils.openInputStream(docFile); 
            FileOutputStream output = new FileOutputStream(new File("e://ff.doc")); 
            IOUtils.copyLarge(input, output); 
         
        } catch (IOException e1) { 
            e1.printStackTrace(); 
        }*/  
        // 获取html文件流  
        StringBuffer htmlSb = new StringBuffer();  
        try {  
            BufferedReader br = new BufferedReader(new InputStreamReader(new FileInputStream(htmlFile),Charset.forName("gb2312")));  
            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();  
        System.out.println("htmlStr=" + htmlStr);  
        // 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;  
  
    }  
  
}