使用 Apache POI 将 doc 转换为 pdf

Question

我正在尝试使用 Apache POI 将 doc 转换为 pdf，但生成的 pdf 文档仅包含文本，它没有任何格式，如图像、表格对齐等。

如何将具有表格、图像、对齐等所有格式的 doc 转换为 pdf？

这是我的代码：

import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.OutputStream;

import com.lowagie.text.Document;
import com.lowagie.text.DocumentException;
import com.lowagie.text.Paragraph;
import com.lowagie.text.pdf.PdfWriter;


import org.apache.poi.hwpf.HWPFDocument;
import org.apache.poi.hwpf.extractor.WordExtractor;

import org.apache.poi.hwpf.usermodel.Range;
import org.apache.poi.poifs.filesystem.POIFSFileSystem;


public class demo {
    public static void main(String[] args) {

        POIFSFileSystem fs = null;  
        Document document = new Document();

         try {  
             System.out.println("Starting the test");  
             fs = new POIFSFileSystem(new FileInputStream("Resume.doc"));  

             HWPFDocument doc = new HWPFDocument(fs);  
             WordExtractor we = new WordExtractor(doc);  

             OutputStream file = new FileOutputStream(new File("test.pdf")); 

             PdfWriter writer = PdfWriter.getInstance(document, file);  

             Range range = doc.getRange();
             document.open();  
             writer.setPageEmpty(true);  
             document.newPage();  
             writer.setPageEmpty(true);  

             String[] paragraphs = we.getParagraphText();  
             for (int i = 0; i < paragraphs.length; i++) {  

                 org.apache.poi.hwpf.usermodel.Paragraph pr = range.getParagraph(i);
                 paragraphs[i] = paragraphs[i].replaceAll("\\cM?\r?\n", "");  
                 System.out.println("Length:" + paragraphs[i].length());  
                 System.out.println("Paragraph" + i + ": " + paragraphs[i].toString());  
                 // add the paragraph to the document  
                 document.add(new Paragraph(paragraphs[i]));  
             }  

             System.out.println("Document testing completed");  
         } catch (Exception e) {  
             System.out.println("Exception during test");  
             e.printStackTrace();  
         } finally {  
             // close the document  
             document.close();  
         }  
     }  
 }

Answer 1

我使用 OpenOffice/LibreOffice 导出为 PDF，它有一些自动化支持，例如

unoconv -vvv --timeout=10 --doctype=document --output=result.pdf result.docx

将文档转换为 pdf。

Answer 2

作为 POI 的替代方案（但仍在 Java 域中），您可以考虑 docx4j（我领导/维护）。

对于docx文件，docx4j可以先转成FO，再用FOP转成PDF，再转成PDF。

对于遗留的二进制 doc 文件（以及 docx 文件），我们有一个高性能的商业解决方案。您可以在http://converter-eval.plutext.com/plutext/converter 尝试，或在http://www.plutext.com/m/index.php/products-docx-to-pdf.html 获取更多信息

Answer 3

手头的任务是将 doc 转换为具有所有格式（如表格、图像、对齐方式）的 pdf。

创建自己的转换器类

Apache POI 中已经存在WordToXxxConverter 类，即WordToFoConverter、WordToHtmlConverter 和WordToTextConverter。后一个很可能太有损而无法作为您要求的示例，但前两个就足够了。

所有这些转换器类都派生自公共基类AbstractWordConverter，它为单词转换类提供了一个基本框架。此外，所有这些类都使用匹配的 *DocumentFacade 类，该类包装了具体目标（或某些中间）格式创建：FoDocumentFacade、HtmlDocumentFacade 或 TextDocumentFacade。

为了实现您的任务将 doc 转换为具有所有格式（如表格、图像、对齐方式）的 pdf， 因此，您还应该从 AbstractWordConverter 派生一个转换器类，并为实现抽象方法让你会受到三个具体实现类的启发。就像在其他转换器类中一样，将特定于 PDF 库的代码集中到 PdfDocumentFacade 类中似乎是个好主意。

如果您想从简单开始，稍后添加更复杂的细节，您可以先使用大量 WordToTextConverter 实现代码，一旦至少在概念验证级别上工作，就将功能扩展到还涵盖了越来越多的格式信息。

不幸的是，这个转换器框架有点以 DOM 元素为中心：AbstractWordConverter 回调期望并转发 DOM 元素作为当前目标文档上下文的指示符；乍一看，它似乎并没有利用该上下文作为 DOM 元素，因此您可以通过复制该基类并将这些 DOM 元素参数与更合适的类型甚至更好的泛型类参数交换而侥幸。

将现有的 Word 到 XXX 转换器与现有的 XXX 到 Pdf 转换器结合使用

如果这对您的资源来说似乎过于复杂或耗时，您可以尝试不同的方法：您可以尝试使用上述现有转换器之一的输出作为另一次转换为 Pdf 的输入。

使用现有的转换类会更早地产生结果，但多步转换往往比单步转换损失更大。决定权在你。

在您在问题中发布的代码中，您使用了 iText 类。 iText 确实支持使用iText XML Worker 子项目中提供的XMLWorker 从 HTML 到 PDF 的转换，但有一定的限制。在古代 iText 版本中，也曾经有现在已弃用的 HTMLWorker 类。因此，将 WordToHtmlConverter 与 iText XMLWorker 结合使用可能是您的一个选择。

另外，Apache 还提供对 PDF 的 XSL FO 处理。这适用于WordToFoConverter 的输出也可能是一个选项