使用 Apache POI 将 .docx 转换为 html 并且没有文本答案

【问题标题】：Converting a .docx to html using Apache POI and getting no text使用 Apache POI 将 .docx 转换为 html 并且没有文本
【发布时间】：2013-12-16 10:02:29
【问题描述】：

我目前有一些将 .doc 文档转换为 html 的代码，但不幸的是，我用于将 .docx 转换为文本的代码没有获取文本并将其转换。下面是我的代码。

private void convertWordDocXtoHTML(File file) throws ParserConfigurationException, TransformerConfigurationException, TransformerException, IOException {
    XWPFDocument wordDocument = null;
    try {
        wordDocument = new XWPFDocument(new FileInputStream(file));
    } catch (IOException ex) {
        Exceptions.printStackTrace(ex);
    }

    WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(DocumentBuilderFactory.newInstance().newDocumentBuilder().newDocument());
    org.w3c.dom.Document htmlDocument = wordToHtmlConverter.getDocument();
    ByteArrayOutputStream out = new ByteArrayOutputStream();
    DOMSource domSource = new DOMSource(htmlDocument);
    StreamResult streamResult = new StreamResult(out);

    TransformerFactory tf = TransformerFactory.newInstance();
    Transformer serializer = tf.newTransformer();
    serializer.setOutputProperty(OutputKeys.ENCODING, "UTF-8");
    serializer.setOutputProperty(OutputKeys.INDENT, "yes");
    serializer.setOutputProperty(OutputKeys.METHOD, "html");
    serializer.transform(domSource, streamResult);
    out.close();

    String result = new String(out.toByteArray());
    acDocTextArea.setText(newDocText);
    String htmlText = result;

}

任何关于为什么这不起作用的想法将不胜感激。 ByteArrayOutput 应该返回整个 html，但它是空的并且没有文本。

【问题讨论】：

标签： java ms-word apache-poi

【解决方案1】：

Mark，您正在使用仅支持.doc 格式的HWPF 包，请参阅this description。该文档还提到尝试通过 XWPF 包 为.docx 文件提供接口。然而，他们似乎缺乏人力资源，鼓励用户提交扩展。不过应该提供有限的功能，提取文本必须是其中之一。

您还应该看到这个问题：How to Extract docx (word 2007 above) using apache POI。

【讨论】：

我正在使用 XWPFDocument 从 .docx 中获取文本，效果很好，但我还需要将原始 .docx 文件转换为 html 文件。我可以获得的文件的文本。但我无法得到的是文件的 html 版本。当我为此使用单词提取器时，我从 .docx 中获取文本。由于某种原因，我只是无法将文件转换为 html，并且没有给出错误。
您也可以在这里查看我的示例stackoverflow.com/questions/24652953/…

【解决方案2】：

此时我也被打动了。
现在我知道有一个 3rd 方 API 可以将 docx 转换为 html
工作正常
https://code.google.com/p/xdocreport/wiki/XWPFConverterXHTML

【讨论】：

上面指向code.google.com/p/xdocreport/wiki/XWPFConverterXHTML的链接已损坏。