使用 docx4j 创建 .docx 时如何保留 HTML？答案

【问题标题】：How to preserve the HTML when creating a .docx with docx4j?使用 docx4j 创建 .docx 时如何保留 HTML？
【发布时间】：2015-01-27 17:35:45
【问题描述】：

我今天开始使用 docx4j；

我已经成功创建了一个带有表格的文档，其中包含来自外部来源的内容。

这个内容里面有简单的HTML，例如一列可能包含这样的字符串：

String content = "Hello&nbsp;<strong>Word</strong><br>";

如果我使用createParagraphOfText() 方法将此字符串放入列中：

Tc tableCell = factory.createTc();    
tableCell.getContent().add(
    wordMLPackage.getMainDocumentPart().createParagraphOfText(content)
);
tableRow.getContent().add(tableCell);

它在 Word 文档中按原样呈现（如预期的那样）：

Hello&nbsp;<strong>Word</strong><br>

我想要实现的是在文档中放置渲染 HTML，以获得以下输出：

你好单词

我在 StackOverflow 和 Web 上进行了搜索，并尝试了几乎所有找到的示例，但信息非常零散，在更深入地挖掘之前，我至少想知道我的方向是否正确。

我已将 docx4j-ImportXHTML jar 添加到 Maven，但在文档中它声明内容必须是 格式良好的 XHTML，而我只有一堆文本和 HTML 混合在一起。

使用它的许多（少数）示例包括将现有的 XML 文件转换为 docx，而我很擅长手动完全创建 docx，并且只需要呈现包含 HTML 的单个字符串。这个模块可以吗？

我也看到有other docx4j modules（例如xhtmlrenderer），但我不确定哪个是好的。

有人知道在迭代期间在表格（的单元格）中添加 HTML 块的正确过程吗？

【问题讨论】：

您是否尝试过使用AlternativeFormatInputPart ？
还是这个？ stackoverflow.com/questions/24628367/…
谢谢，我现在就试试。第二个是我正在尝试的，在继续之前我在这里停下来询问，因为我不能保证我的源代码是 XHTML，也不能保证格式正确......除了打开/关闭标签，我可以假设它是正确嵌套的。因此，如果我得到
，那是完全有效的 HTML5，它会因为缺少 void 元素自闭合斜线而中断？
@Ascalonian 我尝试过不更改内容，但它按预期失败，因为它不是有效的 XHTML，引发org.xml.sax.SAXParseException: Content is not allowed in prolog. 我现在尝试AlternativeFormatInputPart 方式并让你知道跨度>
期待了解:-)

标签： java escaping docx4j html-escape-characters html-escape

【解决方案1】：

您可以选择：

您自己将 (X)HTML 转换为 docx 内容，或
让 Word 来做

自己动手可以为您提供更大的控制权，这意味着无需先在 Word 中打开 docx 即可进行下游处理（例如转换为 PDF）。

让 Word 来做是 AlternativeFormatInputPart (altChunk) 方法。

如果可以的话，我的建议是自己做。我建议您为此使用 docx4j-ImportXHTML。

我已将 docx4j-ImportXHTML jar 添加到 Maven，但在文档中声明内容必须是格式正确的 XHTML，而我只有一堆文本和 HTML 混合在一起。

您可以使用其中一种“整洁”的库来转换为 XHTML。由于其中有很多，我们将由您决定使用哪个以及如何配置它。

只需要渲染一个包含 HTML 的字符串。这个模块可以吗？

ConvertInXHTMLFragment.java 就是一个例子。

我还看到还有其他 docx4j 模块（例如 xhtmlrenderer），但我不确定哪个是好的。

docx4j-ImportXHTML 依赖于此。

【讨论】：

很好的答案！您能否解释一下在构建表格期间是否（以及如何）可以使用 docx4j-importXHTML 方法？非常感谢
XHTMLImporter.convert 返回 List
它正在工作！ TBH，我本能地尝试了 TableCell 的.addAll() 与ImportXHTML.convert() 方法的结果在较早的尝试中，但我忘记将我的内容包含在<div></div> 中以使其有效，得到不言而喻的错误......太天真了:) 今天，它抱怨未解决的&agrave;，所以我用 XHTML 1.0 过渡 DTD 将我的内容（每个单元格的）包含在整个 XHTML 页面中。现在它生成了文档，但它去掉了拉丁重音符号（à 是 à）。顺便说一句，我真的快结束了。 100% 的时候我也会提供答案，再次感谢您！

【解决方案2】：

如果你有简单的 HTML 而不是 XHTML，比如

String content = "Hello&nbsp;<strong>Word</strong><br>";

解决方案是将您的 HTML 封装到一个 HTML 元素中，例如。一个div：

String content = "<div>" + content + "</div>";

并手动替换未闭合的 void 元素，例如：

content = content.replaceAll("<br>", "<br/>");

此时，您可能会收到无法识别的 HTML 实体的错误，例如拉丁重音符号（&agrave; 等）。然后，您可以使用带有 DTD 声明而不是 div 的 HTML 文档来包围您的代码。故事结束。

工作示例：

private void whatever(){

    ByteArrayOutputStream baos = new ByteArrayOutputStream();
    pkg = WordprocessingMLPackage.createPackage(PageSizePaper.A4,true);
    factory = Context.getWmlObjectFactory();

    Tbl table = factory.createTbl();
    for (Item item : Items){       
        Tr tableRow = factory.createTr();
        Tc tableCell = factory.createTc();

        /* This is the core of the problem */
        String content = wrapXHTML(item.getContent());
        List<Object> objects = importer.convert(wrapToXHTML(content), null);
        tableCell.getContent().addAll(objects);     
        /* problem solved */

        tableRow.getContent().add(tableCell);
        table.getContent().add(tableRow);
    }        
    pkg.getMainDocumentPart().addObject(table);
    pkg.save(baos);
}

private String wrapXHTML(String content) {
    content = content.replaceAll("<br>", "<br/>");
    /* ... other substitutions ... */

    return dtd + html + head + start + content + end;
}

private final static String dtd = 
                     "<!DOCTYPE html PUBLIC \"-//W3C//DTD XHTML 1.0 Transitional//EN\""
                     + " \"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd\">";
private final static String html = "<html xmlns=\"http://www.w3.org/1999/xhtml\">";
private final static String head = "<head></head>";
private final static String start = "<body><div>";
private final static String end = "</div></body></html>";

【讨论】：

【解决方案3】：

HTML 文本的格式应如下所示，在我的情况下，&nbsp; 不起作用，因此我将其删除。

  String content = "<html>Hello <strong>Word</strong><br></html>";

XHTML 用于将 html 转换为 xhtml

XHTMLImporter xHTMLImporter = new XHTMLImporterImpl(wordPackage);
        Tc tableCell = factory.createTc();

这是您需要在代码中进行的更改

tableCell.getContent().add(wordMLPackage.getMainDocumentPart().
          getContent().addAll(xHTMLImporter.convert(content, null)));
        tableRow.getContent().add(tableCell);

这个代码对我有用，请试试这个。

【讨论】：