Home / Questions / 15498
Accepted
Miquel Coll
Asked: 2020-07-01 06:57:03 +0800 CST 2020-07-01 06:57:03 +0800 CST

将docx文档转换为html

  • 772

docx我已经保存了一个文档bytes[]，我需要将它传递给 html，以便我可以在页面上显示它。

我正在使用带有 .NET 的 Visual Studio 在 C# 中开发它。

目前它适用于我从易于转换为 html 的 pdf 文件，但docx任何 Microsoft 产品都不是这种情况，因为我不能使用本机库interop，因为它不能保证服务器已安装它。

最终结果是：

strFinalDoc = strFinalDoc.Replace("<body>", "<body>" + documentInfoHtml + "<BR /><BR />");

将它们转换为 htmldocumentInfoHtml的结果在哪里，只是替换页面的内容。bytes[]strFinalDocbody

我找到了一个解决方案，但实际上interop他们都使用付费图书馆。

您知道使用免费软件或开放项目的任何方法吗？

我还必须对文件xls和xlsx.

当前的答案非常好，但它只涵盖一个文件doc而不是docx

尽可能多地保留现有的 CSS 样式也很重要，因此仅提取内容以自己生成它的答案HTML是不够的，因为它会丢失所有格式。

c#

3 Answers

  1. Best Answer

    使用 Apache POI 相对容易。所以我们可以使用NPOI在 C# 中进行转换。

    基于使用 Apache POI 将 Word 转换为 HTML 的答案

    爪哇版

    HWPFDocumentCore wordDocument = WordToHtmlUtils.loadDoc(new
FileInputStream("D:\\temp\\seo\\1.doc"));

WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(
        DocumentBuilderFactory.newInstance().newDocumentBuilder()
                .newDocument());
wordToHtmlConverter.processDocument(wordDocument);
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());
System.out.println(result);

    让我们将其转换为 C#

    HWPFDocumentCore wordDocument = WordToHtmlUtils.LoadDoc(@"D:\Hola.doc"); 

WordToHtmlConverter wordToHtmlConverter = new WordToHtmlConverter(
    new XmlDocument());

wordToHtmlConverter.ProcessDocument(wordDocument);

XmlDocument htmlDocument = wordToHtmlConverter.Document;

htmlDocument.Save(@"D:\Hola.html");

    我建议您不要通过 nuget（当前版本 2.2.1）下载 NPOI 并使用 2.1.3.1 版本，而是从官方页面下载，因为需要另外两个文件，这些文件不是 nuget 中的NPOI.ScratchPad.HSSF.dll，并且NPOI.ScratchPad.HWPF.dll都是使用 NET Framework 2.x 编译的并且您需要其他库也是 2.x 版本。这 2 个文件可以从NPOI Github下载

    做测试似乎 NPOI 的版本在 HTML 的最终结果中有一个错误，因为为了模拟格式，它创建了带有标签类型的第一个字母和递增数字的样式

    <!-- ejemplo POI java-->
span.s1{color:red;}
...
<span class="s1">Hola</span>

    但由于某种原因，NET 版本无法正确呈现它们

    <!-- ejemplo NPOI C#-->
span.s1{color:red;}
...
<span>Hola</span>

    也许它与Transformer它有关，但我不知道 C# 中的等价物是什么

    通过手动计数，您可能不再需要使输出看起来不错

        ....
    XmlNode node = htmlDocument.FirstChild.LastChild; //encontramos el body
    EditNode(node); //metodo de edición recursiva
    htmlDocument.Save(@"D:\tmp18\Hola.html");
}

Dictionary<string, int> cuenta; //para llevar la cuenta de cada elemento

private void EditNode(XmlNode node) {
    try
    {
        XmlElement xe = (XmlElement)node;     

        xe.SetAttribute("class", cuenta[xe.LocalName].ToString()); //localName seria span o p por ejemplo
        cuenta[xe.LocalName] += 1;
    }
    catch (Exception) { return; }

    if (node.HasChildNodes) {
        foreach (XmlNode x in node.ChildNodes) {                
            EditNode(x);
        }
    }

}
    • 11

  2. 好吧，Word 文档是由 XML 组成的，所以为什么不从这一点开始，只需将您XML的HTML. 查看MSDN页面，他们向您展示了 xml 中 word 文档的结构，这是结构：

     <?xml version="1.0" encoding="UTF-8" standalone="yes"?> 
  <CoreProperties xmlns="http://schemas.microsoft.com/package/2005/06/md/core-properties"> 
   <Title>Word Document Sample</Title> 
   <Subject>Microsoft Office Word 2007</Subject> 
   <Creator>2007 Microsoft Office System User</Creator> 
   <Keywords/> 
   <Description>2007 Microsoft Office system .docx file</Description> 
   <LastModifiedBy>2007 Microsoft Office System User</LastModifiedBy> 
   <Revision>2</Revision> 
   <DateCreated>2005-05-05T20:01:00Z</DateCreated> 
   <DateModified>2005-05-05T20:02:00Z</DateModified> 
  </CoreProperties>

    并且以同样的方式在MSDN中他们也给你一个使用的例子XmlDocument Class，这里是一个例子：

     using System;
 using System.IO;
 using System.Xml;

 public class Sample
 {
   public static void Main()
   {
     //Create the XmlDocument.
     XmlDocument doc = new XmlDocument();
     doc.LoadXml("<?xml version='1.0' ?>" +
            "<book genre='novel' ISBN='1-861001-57-5'>" +
            "<title>Pride And Prejudice</title>" +
            "</book>");

     //Display the document element.
     Console.WriteLine(doc.DocumentElement.OuterXml);
  }
 }

    现在，要访问节点，您可以这样做：

      public XmlNode GetBook(string uniqueAttribute, XmlDocument doc)
  {
      XmlNamespaceManager nsmgr = new XmlNamespaceManager(doc.NameTable);
      nsmgr.AddNamespace("bk", "http://www.contoso.com/books");
      string xPathString = "//bk:books/bk:book[@ISBN='" + uniqueAttribute +      "']";
      XmlNode xmlNode = doc.DocumentElement.SelectSingleNode(xPathString, nsmgr);
     return xmlNode;
  }

    这就是您已经将所有代码连接到它的地方HTML。我在MSDN XmlDocument 类中看到了代码

    • 4

  3. 转换

    正如您已经意识到的那样，docx 只不过是一个压缩的 xml，因此很容易转换为 HTML。

    运送给客户

    要将信息发送给客户端（以确保他们不只看到一个 txt），您必须记住首先发送标头：

    Content-Type:text/html; charset=utf8
Content-Length: 12345

    在 charset 中，您必须输入对应的内容以及内容长度（以字节为单位，而不是 chars，请记住 utf8 char 可以测量多个字节）。使用长度是为了让浏览器知道它需要多少字节，并且可以在文档很长时放置进度条。

    袖珍的

    一旦它在没有压缩的情况下工作，您可以考虑使用中间件或模块来发送压缩信息（例如 gzip）

    • 1