一、背景

项目中需要将某数据显示的内容，提供一个下载 DOCX 与 PDF 功能。在分析阶段发现 docx4j(http://www.docx4java.org/trac/docx4j)提供了转换功能。在调试开发时遇到了 HTML 格式兼容，样式丢失，PDF 中文字体等问题。

二、分析

docx4j-ImportXHTML(https://github.com/plutext/docx4j-ImportXHTML)，从名称上一看就知道这个只支持 XHTML。如果是非 XHTML 格式，解析就有问题。

所以在样例中使用了jsoup(http://jsoup.org/)将 HTML 统一转换为 XHTML，并去掉不需要的一些内容(如：script)。这时再调用 docx4j-ImportXHTML 就可以正常解析。

注：这种转换不适用于常规 HTML 页面，转换过程中会丢失样式造成混乱。在这里想要做的是一种以特定 HTML 格式编写页面模板转出 DOCX 与 PDF 的方式。

三、样例程序

样例程序中有很多注释，这理就不再深入描述。该程序支持 Linux 环境。

1、主流程

a、jsoup 抓取指定 URL 的内容

b、使用 jsoup 清理内容，转为 XHTML

c、调用 docx4j-ImportXHTML，生成 WordprocessingMLPackage 对象(docx4j)

d、另存为 DOCX 与 PDF

2、POM 文件

这里使用了 Jetty，主要作用是测试时充当假 HTTP 服务器。

直接运行 mvn clean test 就可以看到转换效果。

xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">

4.0.0

org.noahx

html2docx

1.0.0-SNAPSHOT

org.docx4j

docx4j-ImportXHTML

3.2.2

slf4j-log4j12

org.slf4j

log4j

log4j

org.jsoup

jsoup

1.8.1

org.slf4j

slf4j-simple

1.7.10

test

org.eclipse.jetty

jetty-server

9.2.9.v20150224

test

3、TestHtmlConverter 单元测试类

该类创建模拟 HTTP 服务器，调用转换类将 HTML 内容转换为 DOCX 与 PDF，并调用操作系统打开文件操作。

出于调试目的，日志输出级别为 DEBUG，会产生大量日志。实际运行时可以提高日志级别。

package org.noahx.html2docx;

import org.junit.AfterClass;

import org.junit.BeforeClass;

import org.junit.Test;

import org.slf4j.impl.SimpleLogger;

import java.awt.*;

import java.io.File;

/**

* Created by noah on 3/12/15.

*/

public class TestHtmlConverter {

private static HtmlServer htmlServer = new HtmlServer();

@BeforeClass

public static void before() {

System.setProperty(SimpleLogger.DEFAULT_LOG_LEVEL_KEY, "DEBUG");

htmlServer.start();

}

@AfterClass

public static void after() {

htmlServer.stop();

}

@Test

public void test() throws Exception {

HtmlConverter converter = new HtmlConverter();

String url = "http://127.0.0.1:" + htmlServer.getPort() + "/report.html"; //输入要转换的网址

File fileDocx = converter.saveUrlToDocx(url);

File filePdf = converter.saveUrlToPdf(url);

Desktop.getDesktop().open(fileDocx); //由操作系统打开

Desktop.getDesktop().open(filePdf);

}

}

4、HTML 样本文件(report.html)

样式问题请查看注释。

测试标题

body {

font-family: SimSun;

}

.tb {

border-collapse: collapse;

empty-cells: show;

width: 100%; /*竖版时100%宽度不正确*/

}

.tb th {

text-align: center;

border: 1px solid #000000; /* pdf 输出时边颜色受 color 影响，所以指定 #000000 */

}

.tb td {

border: 1px solid #000000; /* pdf 输出时边颜色受 color 影响，所以指定 #000000 */

}

p {

/*不支持 text-indent 样式，用中文全角空格(　) */

/*text-indent: 2em;*/

}

标题2:大家好

标题3:大家好

　　这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。这是一个中文段落。

a

第一列	第二列	第三列	第四列
abc	efg	efg	efg
abc	efg	efg	efg

第一列	第二列	第三列	第四列
abc	efg	efg	efg
abc	efg	efg	efg

图1

图2

5、主转换程序(HtmlConverter)

package org.noahx.html2docx;

import org.docx4j.Docx4J;

import org.docx4j.convert.in.xhtml.XHTMLImporterImpl;

import org.docx4j.fonts.IdentityPlusMapper;

import org.docx4j.fonts.Mapper;

import org.docx4j.fonts.PhysicalFont;

import org.docx4j.fonts.PhysicalFonts;

import org.docx4j.jaxb.Context;

import org.docx4j.model.structure.PageSizePaper;

import org.docx4j.openpackaging.packages.WordprocessingMLPackage;

import org.docx4j.wml.RFonts;

import org.jsoup.Jsoup;

import org.jsoup.nodes.Document;

import org.jsoup.nodes.Element;

import org.jsoup.nodes.Entities;

import org.jsoup.select.Elements;

import org.slf4j.Logger;

import org.slf4j.LoggerFactory;

import java.io.File;

import java.io.OutputStream;

import java.net.URL;

/**

* Created by noah on 3/10/15.

*/

public class HtmlConverter {

/**

* 输出文件名

*/

public final String OUT_FILENAME = "OUT_ConvertInXHTMLURL";

private final Logger logger = LoggerFactory.getLogger(this.getClass());

/**

* 将页面保存为 docx

*

* @param url

* @return

* @throws Exception

*/

public File saveUrlToDocx(String url) throws Exception {

return saveDocx(url2word(url));

}

/**

* 将页面保存为 pdf

*

* @param url

* @return

* @throws Exception

*/

public File saveUrlToPdf(String url) throws Exception {

return savePdf(url2word(url));

}

/**

* 将页面转为 {@link org.docx4j.openpackaging.packages.WordprocessingMLPackage}

*

* @param url

* @return

* @throws Exception

*/

public WordprocessingMLPackage url2word(String url) throws Exception {

return xhtml2word(url2xhtml(url));

}

/**

* 将 {@link org.docx4j.openpackaging.packages.WordprocessingMLPackage} 存为 docx

*

* @param wordMLPackage

* @return

* @throws Exception

*/

public File saveDocx(WordprocessingMLPackage wordMLPackage) throws Exception {

File file = new File(genFilePath() + ".docx");

wordMLPackage.save(file); //保存到 docx 文件

if (logger.isDebugEnabled()) {

logger.debug("Save to [.docx]: {}", file.getAbsolutePath());

}

return file;

}

/**

* 将 {@link org.docx4j.openpackaging.packages.WordprocessingMLPackage} 存为 pdf

*

* @param wordMLPackage

* @return

* @throws Exception

*/

public File savePdf(WordprocessingMLPackage wordMLPackage) throws Exception {

File file = new File(genFilePath() + ".pdf");

OutputStream os = new java.io.FileOutputStream(file);

Docx4J.toPDF(wordMLPackage, os);

os.flush();

os.close();

if (logger.isDebugEnabled()) {

logger.debug("Save to [.pdf]: {}", file.getAbsolutePath());

}

return file;

}

/**

* 将 {@link org.jsoup.nodes.Document} 对象转为 {@link org.docx4j.openpackaging.packages.WordprocessingMLPackage}

* xhtml to word

*

* @param doc

* @return

* @throws Exception

*/

protected WordprocessingMLPackage xhtml2word(Document doc) throws Exception {

WordprocessingMLPackage wordMLPackage = WordprocessingMLPackage.createPackage(PageSizePaper.valueOf("A4"), true); //A4纸，//横版:true

configSimSunFont(wordMLPackage); //配置中文字体

XHTMLImporterImpl xhtmlImporter = new XHTMLImporterImpl(wordMLPackage);

wordMLPackage.getMainDocumentPart().getContent().addAll( //导入 xhtml

xhtmlImporter.convert(doc.html(), doc.baseUri()));

return wordMLPackage;

}

/**

* 将页面转为{@link org.jsoup.nodes.Document}对象，xhtml 格式

*

* @param url

* @return

* @throws Exception

*/

protected Document url2xhtml(String url) throws Exception {

Document doc = Jsoup.connect(url).get(); //获得

if (logger.isDebugEnabled()) {

logger.debug("baseUri: {}", doc.baseUri());

}

for (Element script : doc.getElementsByTag("script")) { //除去所有 script

script.remove();

}

for (Element a : doc.getElementsByTag("a")) { //除去 a 的 onclick，href 属性

a.removeAttr("onclick");

a.removeAttr("href");

}

Elements links = doc.getElementsByTag("link"); //将link中的地址替换为绝对地址

for (Element element : links) {

String href = element.absUrl("href");

if (logger.isDebugEnabled()) {

logger.debug("href: {} -> {}", element.attr("href"), href);

}

element.attr("href", href);

}

doc.outputSettings()

.syntax(Document.OutputSettings.Syntax.xml)

.escapeMode(Entities.EscapeMode.xhtml); //转为 xhtml 格式

if (logger.isDebugEnabled()) {

String[] split = doc.html().split("\n");

for (int c = 0; c < split.length; c++) {

logger.debug("line {}:\t{}", c + 1, split[c]);

}

}

return doc;

}

/**

* 为 {@link org.docx4j.openpackaging.packages.WordprocessingMLPackage} 配置中文字体

*

* @param wordMLPackage

* @throws Exception

*/

protected void configSimSunFont(WordprocessingMLPackage wordMLPackage) throws Exception {

Mapper fontMapper = new IdentityPlusMapper();

wordMLPackage.setFontMapper(fontMapper);

String fontFamily = "SimSun";

URL simsunUrl = this.getClass().getResource("/org/noahx/html2docx/simsun.ttc"); //加载字体文件(解决linux环境下无中文字体问题)

PhysicalFonts.addPhysicalFont(fontFamily, simsunUrl);

PhysicalFont simsunFont = PhysicalFonts.get(fontFamily);

fontMapper.put(fontFamily, simsunFont);

RFonts rfonts = Context.getWmlObjectFactory().createRFonts(); //设置文件默认字体

rfonts.setAsciiTheme(null);

rfonts.setAscii(fontFamily);

wordMLPackage.getMainDocumentPart().getPropertyResolver()

.getDocumentDefaultRPr().setRFonts(rfonts);

}

/**

* 生成文件位置

*

* @return

*/

protected String genFilePath() {

return System.getProperty("user.dir") + "/" + OUT_FILENAME;

}

}

四、转换效果

1、DOCX转换效果

2、PDF转换效果

五、源码下载