Word/Excel/PDF文件转换成HTML整理

项目开发过程中，需求涉及到了各种文档转换为HTML或者网页易显示格式，现在将实现方式整理如下：
一、使用Jacob转换Word,Excel为HTML

“JACOB一个Java-COM中间件.通过这个组件你可以在Java应用程序中调用COM组件和Win32 libraries。”

首先下载Jacob包，JDK1.5以上需要使用Jacob1.9版本（JDK1.6尚未测试），与先前的Jacob1.7差别不大

1、将压缩包解压后，Jacob.jar添加到Libraries中；

2、将Jacob.dll放至“WINDOWS\SYSTEM32”下面。

需要注意的是：
【使用IDE启动Web服务器时，系统读取不到Jacob.dll，例如用MyEclipse启动Tomcat，就需要将dll文件copy到MyEclipse安装目录的“jre\bin”下面。
一般系统没有加载到Jacob.dll文件时，报错信息为：“java.lang.UnsatisfiedLinkError: no jacob in java.library.path”】

新建类：

public class JacobUtil
{
	public static final int WORD_HTML = 8;

	public static final int WORD_TXT = 7;

	public static final int EXCEL_HTML = 44;

	/**
	 * WORD转HTML
	 * @param docfile WORD文件全路径
	 * @param htmlfile 转换后HTML存放路径
	 */
	public static void wordToHtml(String docfile, String htmlfile)
	{
		ActiveXComponent app = new ActiveXComponent("Word.Application"); // 启动word
		try
		{
			app.setProperty("Visible", new Variant(false));
			Dispatch docs = app.getProperty("Documents").toDispatch();
			Dispatch doc = Dispatch.invoke(
					docs,
					"Open",
					Dispatch.Method,
					new Object[] { docfile, new Variant(false),
							new Variant(true) }, new int[1]).toDispatch();
			Dispatch.invoke(doc, "SaveAs", Dispatch.Method, new Object[] {
					htmlfile, new Variant(WORD_HTML) }, new int[1]);
			Variant f = new Variant(false);
			Dispatch.call(doc, "Close", f);
		}
		catch (Exception e)
		{
			e.printStackTrace();
		}
		finally
		{
			app.invoke("Quit", new Variant[] {});
		}
	}

	/**
	 * EXCEL转HTML
	 * @param xlsfile EXCEL文件全路径
	 * @param htmlfile 转换后HTML存放路径
	 */
	public static void excelToHtml(String xlsfile, String htmlfile)
	{
		ActiveXComponent app = new ActiveXComponent("Excel.Application"); // 启动word
		try
		{
			app.setProperty("Visible", new Variant(false));
			Dispatch excels = app.getProperty("Workbooks").toDispatch();
			Dispatch excel = Dispatch.invoke(
					excels,
					"Open",
					Dispatch.Method,
					new Object[] { xlsfile, new Variant(false),
							new Variant(true) }, new int[1]).toDispatch();
			Dispatch.invoke(excel, "SaveAs", Dispatch.Method, new Object[] {
					htmlfile, new Variant(EXCEL_HTML) }, new int[1]);
			Variant f = new Variant(false);
			Dispatch.call(excel, "Close", f);
		}
		catch (Exception e)
		{
			e.printStackTrace();
		}
		finally
		{
			app.invoke("Quit", new Variant[] {});
		}
	}

}

当时我在找转换控件时，发现网易也转载了一偏关于Jacob使用帮助，但其中出现了比较严重的错误：String htmlfile = "C:\\AA";

只指定到了文件夹一级，正确写法是String htmlfile = "C:\\AA\\xxx.html";

 

到此WORD/EXCEL转换HTML就已经差不多了，相信大家应该很清楚了:)

 

二、使用XPDF将PDF转换为HTML

 

1、下载xpdf最新版本，地址：http://www.foolabs.com/xpdf/download.html

我下载的是xpdf-3.02pl2-win32.zip

 

2、下载中文支持包

我下载的是xpdf-chinese-simplified.tar.gz

 

3、下载pdftohtml支持包

地址：http://sourceforge.net/projects/pdftohtml/

我下载的是：pdftohtml-0.39-win32.tar.gz

 

4、解压调试

1) 先将xpdf-3.02pl2-win32.zip解压，解压后的内容可根据需要进行删减，如果只需要转换为txt格式，其他的exe文件可以删除，只保留pdftotext.exe，以此类推；

2) 然后将xpdf-chinese-simplified.tar.gz解压到刚才xpdf-3.02pl2-win32.zip的解压目录；

3) 将pdftohtml-0.39-win32.tar.gz解压，pdftohtml.exe解压到xpdf-3.02pl2-win32.zip的解压目录；

4) 目录结构：

 +---[X:\xpdf]

           |-------各种转换用到的exe文件

           |

           |-------xpdfrc

           |

           +------[X:\xpdf\xpdf-chinese-simplified]

                                      |

                                      |

                                      +-------很多转换时需要用到的字符文件

 

xpdfrc：此文件是用来声明转换字符集对应路径的文件

 

5) 修改xpdfrc文件(文件原名为sample-xpdfrc)

修改文件内容为：

 

#----- begin Chinese Simplified support package
cidToUnicode    Adobe-GB1       xpdf-chinese-simplified\Adobe-GB1.cidToUnicode
unicodeMap      ISO-2022-CN     xpdf-chinese-simplified\ISO-2022-CN.unicodeMap
unicodeMap      EUC-CN          xpdf-chinese-simplified\EUC-CN.unicodeMap
unicodeMap  GBK    xpdf-chinese-simplified\GBK.unicodeMap
cMapDir         Adobe-GB1       xpdf-chinese-simplified\CMap
toUnicodeDir                    xpdf-chinese-simplified\CMap
fontDir  C:\WINDOWS\Fonts
displayCIDFontTT Adobe-GB1 C:\WINDOWS\Fonts\simhei.ttf
#----- end Chinese Simplified support package

 

6) 创建bat文件pdftohtml.bat（放置的路径不能包含空格）

内容为：

 

@echo off
set folderPath=%1
set filePath=%2
cd /d %folderPath%
pdftohtml -enc GBK %filePath%
exit

 

7) 创建类

 

public class ConvertPdf
{
	private static String INPUT_PATH;
	private static String PROJECT_PATH;
	
	public static void convertToHtml(String file, String project)
	{
		INPUT_PATH = file;
		PROJECT_PATH = project;
		if(checkContentType()==0)
		{
			toHtml();
		}
	}
	
	private static int checkContentType()
	{
		String type = INPUT_PATH.substring(INPUT_PATH.lastIndexOf(".") + 1, INPUT_PATH.length())
				.toLowerCase();
		if (type.equals("pdf"))
			return 0;
		else
			return 9;
	}
	
	private static void toHtml()
	{
		if(new File(INPUT_PATH).isFile())
		{
			try
			{
				String cmd = "cmd /c start X:\\pdftohtml.bat \"" + PROJECT_PATH + "\" \"" + INPUT_PATH + "\"";
				Runtime.getRuntime().exec(cmd);
			}
			catch (IOException e)
			{
				e.printStackTrace();
			}
		}
	}
	
}

String cmd = "....";此处代码是调用创建的bat文件进行转换 

 

8) 测试转换

 

 

public static void main(String[] args)
{
	ConvertPdf.convertToHtml("C:\\test.pdf", "X:\\xpdf");
}

 

 

以上就是整理的内容，后续还会添加视频转换为FLV格式，如果需要的话:)

说的不是很详细，碰到问题的朋友可以自己努力解决一下:)

评论

15 楼 zhangbug 2009-02-23  

您好，想请问一下，word转成html之后一直有格式问题困扰着我，这种方式转换之后格式会有问题吗，或者有什么格式控制的好办法，我以前一直是用.net写的调用office另存为html实现转换，格式问题很多，不好解决

14 楼 fresty 2009-02-22  

在POI的3.2版本的stratchpad中，已经提供解析Word的方法，可以使用如下代码：
try {
  WordExtractor ext = new WordExtractor(stream);
  return ext.getText();
} catch (IOException e) {
  e.printStackTrace();
}

13 楼 sharp_lover 2009-02-22  

感觉你的代码有点问题～～～有时间的话交流一下吧～～～我最近的项目也是搞这个～～我的邮箱是[e-mail]

12 楼 lingzantia 2009-02-19  

linux下word和excel转换用openoffice,以服务器模式启动,具体忘记了,可以google下,flv转换应该用mplayer的库,但没用程序实现过

11 楼 sharp_lover 2009-02-19  

为什么按你说的程序跑不了，没有异常也没有任何文件 的生成。

10 楼 ssuupv 2009-02-18  

视频转换成flv早就有了啊,记得在2006年,我有项目做过

9 楼 Scriptlet 2009-02-18  

POI效果如何？有没有试过的？

8 楼 lqql 2009-02-17  

jacob是通过服务端打开一个word来处理的。并发量高立马歇菜。服务端一定要安装
office，要不然不能用。以前为了解决加密excel搞过。JXL什么什么的读加密EXCEL无能为力，唉。。。。。

7 楼 spiritfrog 2009-02-17  

试过了， jacob转换word和excel为html都比较慢。
不知有没有linux下的转换方案。

6 楼 寄生虫 2009-02-17  

jfxia 写道

一直在用jacob，但jacob在64位的Windows操作系统上运行有问题，例如Windows Server 2003 Enterprise x64 Edition，总是报错。不知楼主是否如何解决？

还没向win03部署，等项目完毕之后会部署到win03上，到时出现问题如果解决了的话，给你发站内消息。

5 楼 jfxia 2009-02-17  

一直在用jacob，但jacob在64位的Windows操作系统上运行有问题，例如Windows Server 2003 Enterprise x64 Edition，总是报错。不知楼主是否如何解决？

4 楼 寄生虫 2009-02-17  

heyjjay8 写道

jacob在word转html应用时会出现cpu性能问题，不知道有没有解决方案

消耗一定的CPU性能是肯定的，其实代码说明了一些实现方式，就是打开word文件，隐藏word窗口，调用word的saveas命令，如果能够实现word始终处于打开状态并且只打开一个word应用，就可以忽略掉打开/关闭word时的性能消耗了吧。

3 楼 wm920 2009-02-17  

        LZ···很好！

2 楼 ruderal 2009-02-17  

这么说jacob是依赖Windows平台的?那有没Linux平台的解决方案?

1 楼 whaosoft 2009-02-17  

视频转换为FLV 期待中!~!~!