Java實現(xiàn)word,pdf轉html并保留格式

更新時間：2025年07月16日 10:06:45 作者：xyyf

這篇文章主要為大家詳細介紹了如何使用Java實現(xiàn)將word,pdf轉換為html并保留格式,文中的示例代碼講解詳細,感興趣的小伙伴可以了解下

一、word轉html

依賴：

<properties>
    <poi.version>5.2.3</poi.version>
    <xhtml.version>2.0.4</xhtml.version>
</properties>
 
<!--word轉html-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-scratchpad</artifactId>
    <version>${poi.version}</version>
</dependency>
<!--word轉html-->
<dependency>
    <groupId>fr.opensagres.xdocreport</groupId>
    <artifactId>fr.opensagres.poi.xwpf.converter.xhtml</artifactId>
    <version>${xhtml.version}</version>
</dependency>
<!--處理office文檔表格相關 2007+版-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-ooxml</artifactId>
    <version>${poi.version}</version>
</dependency>
<!--處理office文檔表格相關 2003版-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi</artifactId>
    <version>${poi.version}</version>
</dependency>

代碼：

import fr.opensagres.poi.xwpf.converter.xhtml.Base64EmbedImgManager;
import fr.opensagres.poi.xwpf.converter.xhtml.XHTMLConverter;
import fr.opensagres.poi.xwpf.converter.xhtml.XHTMLOptions;
import org.apache.commons.codec.binary.Base64;
import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.converter.WordToHtmlConverter;
import org.apache.poi.xwpf.usermodel.XWPFDocument;
 
import javax.xml.parsers.DocumentBuilderFactory;
import javax.xml.transform.OutputKeys;
import javax.xml.transform.Transformer;
import javax.xml.transform.TransformerFactory;
import javax.xml.transform.dom.DOMSource;
import javax.xml.transform.stream.StreamResult;
import java.io.*;
import java.net.URL;
 
public class WordUtil {
 
    public static String wordToHtml(String fileUrl,String fileSuffix) throws Exception {
        URL url = new URL(fileUrl);
        try (InputStream inputStream = url.openStream()) {
            if(fileSuffix.equals(".docx") || fileSuffix.equals(".DOCX")){
                return word2007ToHtml(inputStream);
            } else if (fileSuffix.equals(".doc") || fileSuffix.equals(".DOC")) {
                return word2003ToHtml(inputStream);
            }else{
                throw new RuntimeException("錯誤的文件后綴");
            }
        } catch (RuntimeException e) {
            throw new RuntimeException(e.getMessage());
        }
    }
 
    /**
     * word2007轉換成html
     * 對于docx，可以用下面這種方式:
     * @throws Exception
     */
    public static String word2007ToHtml(InputStream inputStream) {
        try (ByteArrayOutputStream htmlStream = new ByteArrayOutputStream();
             XWPFDocument docxDocument = new XWPFDocument(inputStream)) {
            XHTMLOptions options = XHTMLOptions.create();
            // 是否忽略未使用的樣式
            options.setIgnoreStylesIfUnused(false);
            // 設置片段模式，<div>標簽包裹
            options.setFragment(true);
            // 圖片轉base64
            options.setImageManager(new Base64EmbedImgManager());
            // 轉換htm1
            XHTMLConverter.getInstance().convert(docxDocument, htmlStream, options);
            return htmlStream.toString();
        } catch (Exception e) {
            System.out.println("Word轉Html過程出現(xiàn)異常！");
            throw new RuntimeException(e.getMessage());
        }
    }
    /**
     * word2003轉換成html
     * 對于doc，可以用下面這種方式:
     * @throws Exception
     */
    public static String word2003ToHtml(InputStream inputStream ) throws Exception {
        try (StringWriter writer = new StringWriter();
             HWPFDocument document = new HWPFDocument(inputStream)) {
            WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(DocumentBuilderFactory.newInstance().newDocumentBuilder().newDocument());
            //將圖片轉成base64的格式
            wordToHtmlConverter.setPicturesManager((bytes, pictureType, s, v, v1) -> "data:image/png;base64," + Base64.encodeBase64String(bytes));
            wordToHtmlConverter.processDocument(document);
            org.w3c.dom.Document htmlDocument = wordToHtmlConverter.getDocument();
            DOMSource domSource = new DOMSource(htmlDocument);
            TransformerFactory factory = TransformerFactory.newInstance();
            Transformer serializer = factory.newTransformer();
            serializer.setOutputProperty(OutputKeys.ENCODING, "utf-8");
            serializer.setOutputProperty(OutputKeys.INDENT, "yes");
            serializer.setOutputProperty(OutputKeys.METHOD, "html");
            serializer.transform(domSource, new StreamResult(writer));
            return writer.toString();
        } catch (Exception e) {
            System.out.println("Word轉Html過程出現(xiàn)異常！");
            throw new RuntimeException(e.getMessage());
        }
    }
 
}

二、pdf轉html

依賴：

        <dependency>
            <groupId>net.sf.cssbox</groupId>
            <artifactId>pdf2dom</artifactId>
        </dependency>
 
        <dependency>
            <groupId>net.mabboud.fontverter</groupId>
            <artifactId>FontVerter</artifactId>
        </dependency>
        <dependency>
            <groupId>org.reflections</groupId>
            <artifactId>reflections</artifactId>
        </dependency>
        <!--pdf轉文本-->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
        </dependency>

代碼:

import org.apache.pdfbox.pdmodel.PDDocument;
import org.fit.pdfdom.PDFDomTree;
 
import java.io.*;
import java.net.URL;
 
public class PDFUtil {
    public static String pdfToHtml(String fileUrl) throws IOException {
        URL url = new URL(fileUrl);
        try (InputStream inputStream = url.openStream()){
            return pdfToHtml(inputStream);
        }catch (Exception e){
            throw new IOException(e.getMessage());
        }
    }
    public static String pdfToHtml(InputStream inputStream) throws IOException {
        String outFilePath = "mypdf.html";
        String pdfContent = "";
        PDDocument document = PDDocument.load(inputStream);
        Writer writer = new PrintWriter(outFilePath, "UTF-8");
        new PDFDomTree().writeText(document, writer);
        writer.close();
        document.close();
        // 獲取html內容
        try (BufferedReader reader = new BufferedReader(new FileReader(outFilePath))) {
            StringBuilder htmlContent = new StringBuilder();
            String line;
            while ((line = reader.readLine()) != null) {
                htmlContent.append(line).append("\n"); // 追加每一行內容，并添加換行符
            }
            pdfContent = String.valueOf(htmlContent);
            return pdfContent;
        } catch (IOException e) {
            e.printStackTrace();
            System.err.println("讀取 HTML 文件時出錯。");
        }
        return null;
    }
}

三、方法補充

Java實現(xiàn)word轉html

1.引入maven依賴

<properties>
    <poi.version>5.2.3</poi.version>
    <xhtml.version>2.0.4</xhtml.version>
</properties>

<!--word轉html-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-scratchpad</artifactId>
    <version>${poi.version}</version>
</dependency>
<!--word轉html-->
<dependency>
    <groupId>fr.opensagres.xdocreport</groupId>
    <artifactId>fr.opensagres.poi.xwpf.converter.xhtml</artifactId>
    <version>${xhtml.version}</version>
</dependency>
<!--處理office文檔表格相關 2007+版-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi-ooxml</artifactId>
    <version>${poi.version}</version>
</dependency>
<!--處理office文檔表格相關 2003版-->
<dependency>
    <groupId>org.apache.poi</groupId>
    <artifactId>poi</artifactId>
    <version>${poi.version}</version>
</dependency>

2.Java代碼

    /**
     * Word2007(docx)格式轉html
     * @param filePath 文件路徑
     * @return 返回轉成String類型的html字符串
     * @throws IOException
     */
    public static String docxToHtml(String filePath) {
        try (ByteArrayOutputStream htmlStream = new ByteArrayOutputStream();
             XWPFDocument docxDocument = new XWPFDocument(Files.newInputStream(Paths.get(filePath)))) {
            XHTMLOptions options = XHTMLOptions.create();
            // 是否忽略未使用的樣式
            options.setIgnoreStylesIfUnused(false);
            // 設置片段模式，<div>標簽包裹
            options.setFragment(true);
            // 圖片轉base64
            options.setImageManager(new Base64EmbedImgManager());
            // 轉換htm1
            XHTMLConverter.getInstance().convert(docxDocument, htmlStream, options);
            return htmlStream.toString();
        } catch (Exception e) {
            log.error("Word轉Html過程出現(xiàn)異常！", e);
        }
        return null;
    }


    /**
     * Word2003(doc)格式轉html
     * @param filePath 文件路徑
     * @return 返回轉成String類型的html字符串
     * @throws Exception
     */
    public static String docToHtml(String filePath) {
        try (StringWriter writer = new StringWriter();
             HWPFDocument document = new HWPFDocument(Files.newInputStream(new File(filePath).toPath()))) {
            WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(DocumentBuilderFactory.newInstance().newDocumentBuilder().newDocument());
            //將圖片轉成base64的格式
            wordToHtmlConverter.setPicturesManager((bytes, pictureType, s, v, v1) -> "data:image/png;base64," + Base64.encodeBase64String(bytes));
            wordToHtmlConverter.processDocument(document);
            org.w3c.dom.Document htmlDocument = wordToHtmlConverter.getDocument();
            DOMSource domSource = new DOMSource(htmlDocument);
            TransformerFactory factory = TransformerFactory.newInstance();
            Transformer serializer = factory.newTransformer();
            serializer.setOutputProperty(OutputKeys.ENCODING, "utf-8");
            serializer.setOutputProperty(OutputKeys.INDENT, "yes");
            serializer.setOutputProperty(OutputKeys.METHOD, "html");
            serializer.transform(domSource, new StreamResult(writer));
            return writer.toString();
        } catch (Exception e) {
            log.error("Word轉Html過程出現(xiàn)異常！", e);
        }
        return null;
    }

    /**
     * word 轉 html
     * 自動檢測文件格式轉換
     * @param filePath 文件本地路徑
     * @return 成功返回轉換后的html字符串；失敗返回null
     */
    public static String autoWord2Html(String filePath) {
        int lastIndexOf = filePath.lastIndexOf(".");
        String suffix = filePath.substring(lastIndexOf + 1);
        if ("doc".equalsIgnoreCase(suffix)) {
            return docToHtml(filePath);
        } else if ("docx".equalsIgnoreCase(suffix)) {
            return docxToHtml(filePath);
        } else {
            log.info("文件格式錯誤，只支持Docx和Doc格式的文檔！");
            return null;
        }
    }

使用Java實現(xiàn)PDF到HTML的轉換

引入以下依賴

<dependency>
            <groupId>net.sf.cssbox</groupId>
            <artifactId>pdf2dom</artifactId>
            <version>2.0.3</version>
        </dependency>
 
        <dependency>
            <groupId>net.mabboud.fontverter</groupId>
            <artifactId>FontVerter</artifactId>
            <version>1.2.22</version> <!-- 請根據(jù)需要使用最新版本 -->
        </dependency>
        <dependency>
            <groupId>org.reflections</groupId>
            <artifactId>reflections</artifactId>
            <version>0.10.2</version> <!-- 請根據(jù)需要使用最新版本 -->
        </dependency>
        <!--pdf轉文本-->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>2.0.24</version>
        </dependency>

實現(xiàn)關鍵代碼

        File file = new File(pdfUrl);
        String localPdfFilePath = 要解析的PDF文件路徑（本地）+ file.getName();
        String newPdfFilePath = 截取PDF后生成的PDF文件路徑+ file.getName();
        String outFilePath = 生成的HTML文件.html";
        String pdfContent = "";
        PDDocument pdfDocument = PDDocument.load(new File(localPdfFilePath));
        // 檢查文檔中是否有頁面
        if (pdfDocument.getNumberOfPages() > 0) {
            // 移除第一頁
            pdfDocument.removePage(0);
        }
        // 保存更改后的PDF到新文件
        pdfDocument.save(new File(newPdfFilePath));
        System.out.println("第一頁已被移除，新PDF保存在: " + newPdfFilePath);
        pdfDocument.close();
        // 轉換成html格式文件
        PDDocument document = PDDocument.load(new File(newPdfFilePath));
        Writer writer = new PrintWriter(outFilePath, "UTF-8");
        new PDFDomTree().writeText(document, writer);
        writer.close();
        document.close();
        // 獲取html內容
        try (BufferedReader reader = new BufferedReader(new FileReader(outFilePath))) {
            StringBuilder htmlContent = new StringBuilder();
            String line;
            while ((line = reader.readLine()) != null) {
                htmlContent.append(line).append("\n"); // 追加每一行內容，并添加換行符
            }
            pdfContent = String.valueOf(htmlContent);
        } catch (IOException e) {
            e.printStackTrace();
            System.err.println("讀取 HTML 文件時出錯。");
        }

到此這篇關于Java實現(xiàn)word,pdf轉html并保留格式的文章就介紹到這了,更多相關Java word,pdf轉html內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

您可能感興趣的文章:

SpringBoot之如何正確、安全的關閉服務
這篇文章主要介紹了SpringBoot之如何正確、安全的關閉服務問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教
2023-03-03
Java docx4j高效處理Word文檔的實戰(zhàn)指南
對于需要在Java應用程序中生成、修改或處理Word文檔的開發(fā)者來說,docx4j是一個強大而專業(yè)的選擇,下面我們就來看看docx4j的具體使用吧
2025-07-07
JPA中@ElementCollection使用示例詳解
在JPA中，@ElementCollection注解主要用于映射集合屬性，例如List、Set或數(shù)組等集合屬性，以及Map結構的集合屬性，每個屬性值都有對應的key映射，這篇文章主要介紹了JPA中@ElementCollection使用,需要的朋友可以參考下
2023-11-11
java中l(wèi)ombok的@Data引發(fā)問題詳解
這篇文章主要給大家介紹了關于java中l(wèi)ombok的@Data引發(fā)問題的相關資料，文中通過圖文介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧
2020-09-09
Spring MVC整合 freemarker及使用方法
Spring MVC是一種基于Java的實現(xiàn)了Web MVC設計模式的請求驅動類型的輕量級Web框架，這篇文章主要介紹了Spring MVC整合 freemarker及使用方法,需要的朋友可以參考下
2019-07-07
JVM性能調優(yōu)實戰(zhàn):讓你的IntelliJ Idea縱享絲滑
這篇文章主要介紹了JVM性能調優(yōu)實戰(zhàn):讓你的IntelliJ Idea縱享絲滑的相關資料,本文給大家介紹的非常詳細，對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下
2021-01-01
Java基于LoadingCache實現(xiàn)本地緩存的示例代碼
本文主要介紹了Java基于LoadingCache實現(xiàn)本地緩存的示例代碼，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下
2022-01-01
解決Spring AOP 同類調用失效問題
這篇文章主要介紹了解決Spring AOP 同類調用失效問題，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教
2021-08-08
Java中HashMap 中的一個坑
這篇文章主要介紹了Java中HashMap 中的一個坑，文章圍繞主題展開詳細的內容介紹，具有一定的參考價價值，需要的小伙伴可以參考一下
2022-05-05
Java中構造器內部的多態(tài)方法的行為實例分析
這篇文章主要介紹了Java中構造器內部的多態(tài)方法的行為,結合實例形式分析了java構造器內部多態(tài)方法相關原理、功能及操作技巧,需要的朋友可以參考下
2019-10-10