Java解析OFFICE(word,excel,powerpoint)以及PDF的实现方案及开发中的点滴分享
在此，先分享下写此文前的经历与感受，我所有的感觉浓缩到一个字，那就是:"坑",如果是两个字那就是"巨坑"=>因为这个需求一开始并不是这样子的，且听我漫漫道来：
一开始客户与我们商量的是将office和PDF上传，将此类文件解析成html格式，在APP端调用内置server直接以html"播放"
经历一个月~，两个月~，三个月~~~
到需求开发阶段，发现这是个坑。。。：按照需规的意思这个整体是当做一个功能来做的，技术难度也就算了，而且按照估算的工时也很难做成需规所需要的样子(缺陷太多！)
然后一周~，一周~，又一周~~~
各种方案下来将需求做成能用的样子，然后需求确认时客户说：“我们没有要求你们能解析这些文档，我们只要求你们当做一个源文件上传，在APP端点击直接能选择调用第三方应用打开就行了，而且一开始我们的需求就是这样的。”
/**听完，顿时泪流满面(ಥ _ ಥ)，如果业务一开始就确认这样做，何至于浪费如此多的时间，花费如此多的精力绕老大一圈。。。*/
需求绕了一圈又绕回来了，作为经历过的人，现在总结下这需求里面无尽的坑：
A>开源社区有很多Demo，这些Demo有很多缺陷，比如office里面的艺术字、图片、公式、颜色样式、视频和音频不能解析
B>能解析的对象，解析出来的效果不是很好，比如word和ppt自身的排版乱了,excel单元格里面的自定义格式全变成数字了~等等
C>开源社区的资料并不是很全，导致的结果是不同的文档类型需要用不同的解析方式去解析，比如word用docx4j解析、excel用poi解析带来的代码量巨大
D>由于代码自身的解析效果不是很好，更改后的方案需要在上传之前将源文件处理成其他的形式，如pdf需要切成图片，ppt需要转换成视频或是图片，这样一来需求实现的方式就变成半自动了╥﹏╥...
E>word用docx4j解析一个很大的问题是解析的效率太低了，5MB以上的文件或者内容比较复杂的word文档解析十分耗时，解析效率太低，再一就是poi解析数据量比较大的Exel(比如>1000行)容易造成内存溢出，不好控制
F>工时太短，只有15天。。。，加班加点(⊙︿⊙) ，包工头，加工资！！！ε=怒ε=怒ε=怒ε=怒ε=( o｀ω′)ノ
以上吐槽完了，该展示下最终成果了~
上4图从左至右依次是pdf、ppt、word、excel的解析html的效果，由于涉及开发协议上图1和图2部分地方有涂抹，且以上只是浏览器模拟手机显示，遂显示效果较为粗糙，在此十分抱歉~
下面介绍一下我的最终实现思路：
A>Word文档分两种格式(03版)doc和(07版)docx，由于doc属于即将淘汰的格式同时为方便使用docx4j一步到位的实现方式，故不考虑doc格式文档
B>同Word一样，excel也不考虑旧版格式的转换，方案是选用第三方Demo实现，涉及到具体的技术就是 poi.hssf
C>PowerPoint(ppt)由于内置对象比较多，为保证客户的使用体验，我的方案是将ppt直接导出成mp4或图片(需打zip包)上传，再用代码包装成html
D>对于pdf，同样没有很好的Demo实现成html，遂同ppt一样通过软件转换成图片的形式打包上传，再用代码包装成html
先展示下word解析的相关代码:
(代码片段一)
1 public static void Word2Html() throws FileNotFoundException, Docx4JException{ 2 //需在log4j内配置docx4j的级别
3 WordprocessingMLPackage wmp = WordprocessingMLPackage.load(new File("C:\\Users\\funnyZpC\\Desktop\\Test\\word.docx")); 4 Docx4J.toHTML(wmp, "C:\\Users\\funnyZpC\\Desktop\\result\\wordIMG", "wordIMG", new FileOutputStream(new File("C:\\Users\\funnyZpC\\Desktop\\result\\word.html"))); 5 }
(代码片段二)
1 public ProcessFileInfo processDOCX(File file,String uploadPath)throws Exception{ 2 String fileName=file.getName().substring(0,file.getName().lastIndexOf("."));//获取文件名称
3 WordprocessingMLPackage wmp = WordprocessingMLPackage.load(file);//加载源文件
4 String basePath=String.format("%s%s%s", uploadPath,File.separator,fileName);//基址
5 FileUtils.forceMkdir(new File(basePath));//创建文件夹
6 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,fileName,"ZIP");//最终生成文件的路径
7 Docx4J.toHTML(wmp, String.format("%s%s%s", basePath,File.separator,fileName),fileName,new FileOutputStream(new File(String.format("%s%s%s", basePath,File.separator,"index.html"))));//解析
8 scormService.zip(basePath, zipFilePath);//压缩包
9 FileUtils.forceDelete(new File(basePath));//删除临时文件夹
10 file.delete();//解析完成，删除原docx文件
11 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath);//返回目标文件相关信息
12 }
解析word(docx)文档所需要的代码简单到只需要两行代码(代码片段一3、4两行)，以上(代码片段二)是实际开发的代码，建议对比片段一看，同时由于项目可能会部署在linux系统下，建议使用File.separator来代替"/"或者"\"路径分隔符；同时，需要解释的是toHtml方法的四个参数==>
Docx4j.toHtml(加载源docx文件的WordprocessingMLPackage实例化对象，存放解析结果(html和图片)的基目录,存放图片的文件夹名称(在基目录下),输出主html的输出流对象);
下图是输出的结果的目录：
由于docx4j内部的log较多，默认Demo测试的时候输出文件会有如下提示：
这句话的大意是：如需隐藏此消息，请设置docx4j的debug的级别。解决的方式是在实际项目的log4j.properties中添加docx4j的消息级别为ERROR，如：
如果使用maven管理项目，直接在pom.xml里面添加docx4j的dependency，如果需手动配置docx4j及其依赖包，一定要注意依赖包与当前docx4j的版本对应性(推荐3.3.5的docx4j，解析效果会好一些！)否则各种毛病啊~，下图是maven仓库的一些说明，如需手动配置依赖一定要点进去看下：
下面的代码是Excel解析word的部分代码片段(代码不全,如有需要请邮件私我)：
(代码片段一)
1 /**
2 * 3 * @param file 源文件:c://xx//xx.xlsx 4 * @param uploadPath 基目录地址 5 * @return
6 * @throws Exception 7 */
8 public ProcessFileInfo processXLSX(File file,String uploadPath)throws Exception { 9 List<String> sheets=Excel2HtmlUtils.readExcelToHtml(file.getPath()); 10 FileUtils.forceMkdir(new File(uploadPath));//创建文件夹
11 String code=file.getName().substring(0,file.getName().lastIndexOf("."));//文件名称
12 String basePath=String.format("%s%s%s", uploadPath,File.separator,code); 13 FileUtils.forceMkdir(new File(basePath)); 14 File htmlFile = new File(String.format("%s%s%s", basePath,File.separator,"index.html")); 15 Writer fw=null; 16 PrintWriter bw=null; 17 //构建html文件
18 try{ 19 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(htmlFile.getPath()),"UTF-8")); 20 bw=new PrintWriter(fw); 21 //添加表头及可缩放样式
22 String head="<!DOCTYPE html><html><head><meta charset=\"UTF-8\"></head><body style=\"transform: scale(0.7,0.7);-webkit-transform: scale(0.7,0.7);\">"; 23 StringBuilder body=new StringBuilder(); 24 for (String e : sheets) { 25 body.append(e); 26 } 27 String foot="</body></html>"; 28 bw.write(String.format("%s%s%s", head,body.toString(),foot)); 29 }catch(Exception e){ 30 throw new Exception("");//错误扔出
31 }finally{ 32 if (bw != null) { 33 bw.close(); 34 } 35 if(fw!=null){ 36 fw.close(); 37 } 38 } 39 String htmlZipFile=String.format("%s%s%s.%s",uploadPath,File.separator,file.getName().substring(0,file.getName().lastIndexOf(".")),"ZIP"); 40 //压缩文件
41 scormService.zip(basePath, htmlZipFile); 42 file.delete();//删除上传的xlsx文件
43 FileUtils.forceDelete(new File(basePath)); 44 return new ProcessFileInfo(true,new File(htmlZipFile).getName(),htmlZipFile); 45 }
(代码片段二)
1 /**
2 * 程序入口方法 3 * 4 * @param filePath 5 * 文件的路径 6 * @return <table> 7 * ... 8 * </table> 9 * 字符串 10 */
11 public static List<String> readExcelToHtml(String filePath) { 12 List<String> htmlExcel=null; 13 try { 14 File sourcefile = new File(filePath); 15 InputStream is = new FileInputStream(sourcefile); 16 Workbook wb = WorkbookFactory.create(is); 17 htmlExcel = getExcelToHtml(wb); 18 } catch (EncryptedDocumentException e) { 19 e.printStackTrace(); 20 } catch (FileNotFoundException e) { 21 e.printStackTrace(); 22 } catch (InvalidFormatException e) { 23 e.printStackTrace(); 24 } catch (IOException e) { 25 e.printStackTrace(); 26 } 27 return htmlExcel; 28
29 }
以上只展示了xlsx文件的内容包装和解析excel的入口方法，整个解析类全部放在了utils包下面，service里面只管调用方法传参就好了,如下图：
解析Excel的工具类一共有四个文件类，其中Excel2HtmlUtils是入口类，其它三个均是关联Excel2HtmlUtils类处理Excel样式，需要注意的是:工具类处理Excel的时候一定要限制处理记录的数量,以免造成内存溢出错误，顺便说下：如果您解析的html供移动端使用，建议给html设置可缩放大小=>transform: scale(0.7,0.7);-webkit-transform: scale(0.7,0.7);。
说完Excel解析，下面给出pdf(图片ZIP包)解析html的代码片段，由于代码较为简单，不多的解释，以下是具体的实现代码：
1 /**
2 * 根据文件名中的数字排列图片 3 * a>提取文件名中的数字放入int数组(序列) 4 * b>判断序列数组元素个数与文件个数是否一致,不一致则抛出 5 * c>将序列数组从小到大排列 6 * d>遍历序列数组获取Map中的文件名(value)并写html 7 */
8 String nm=null; 9 int[] i=new int[imgNames.size()]; 10 Map<Integer,String> names=new HashMap<Integer,String>(); 11 Pattern p=Pattern.compile("[^0-9]"); 12 for(int j=0;j<imgNames.size();j++){ 13 nm=imgNames.get(j).substring(0,imgNames.get(j).lastIndexOf("."));//提取名称
14 String idx=p.matcher(nm).replaceAll("").trim(); 15 i[j]=Integer.parseInt("".equals(idx)?"0":idx); 16 names.put(i[j],imgNames.get(j)); 17 } 18 if(names.keySet().size()!=i.length){ 19 //System.out.println("====请检查您的图片编号====");/*重复或者不存在数字编号*/
20 return new ProcessFileInfo(false,null,null); 21 } 22 Arrays.sort(i);//int数组内元素从小到大排列 23
24 //包装成html
25 StringBuilder html=new StringBuilder(); 26 html.append("<!DOCTYPE html><html><head><meta charset='UTF-8'><title>PDF</title></head>"); 27 html.append("<body style=\"margin:0px 0px;padding:0px 0px;\">"); 28 for (int k : i) { 29 html.append(String.format("%s%s%s%s%s","<div style=\"width:100%;\"><img src=\"./",fileName,File.separator,names.get(k),"\" style=\"width:100%;\" /></div>")); 30 } 31 html.append("</body></html>"); 32 File indexFile=new File(String.format("%s%s%s",basePath,File.separator,"index.html")); 33 Writer fw=null; 34 PrintWriter bw=null; 35 //构建文件(html写入html文件)
36 try{ 37 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(indexFile),"UTF-8"));//以UTF-8的格式写入文件
38 bw=new PrintWriter(fw); 39 bw.write(html.toString()); 40 }catch(Exception e){ 41 throw new Exception(e.toString());//错误扔出
42 }finally{ 43 if (bw != null) { 44 bw.close(); 45 } 46 if(fw!=null){ 47 fw.close(); 48 } 49 } 50 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,file.hashCode(),"ZIP"); 51 scormService.zip(basePath, zipFilePath); 52 //删除文件
53 file.delete(); 54 FileUtils.forceDelete(new File(basePath)); 55 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath); 56 }
同Excel，由于我将ppt存为mp4格式，上传后只需要做简单包装就可以了，处理的时候一定要注意html对视频的相对引用，以下是具体的实现代码：
1 /**
2 * 3 * @param file 上传的文件的路径 c://xx.//xxx.mp4 4 * @param uploadPath 保存html的基目录路径 5 * @return
6 * @throws Exception 7 */
8 public ProcessFileInfo processPPTX(File file,String uploadPath)throws Exception{ 9 String fileName=file.getName().substring(0,file.getName().lastIndexOf("."));//获取文件名称
10 String suffix=file.getName().substring(file.getName().lastIndexOf(".")+1,file.getName().length()).toLowerCase();//音频文件后缀名
11 String basePath=String.format("%s%s%s", uploadPath,File.separator,fileName); 12 FileUtils.forceMkdir(new File(basePath)); 13 //将视频文件copy到basePath内
14 String videoPath=String.format("%s%s%s", basePath,File.separator,file.getName()); 15 FileUtils.copyFile(file, new File(videoPath)); 16 StringBuilder html=new StringBuilder(); 17 html.append("<!DOCTYPE html><html><head><meta charset='utf-8'><title>powerpoint</title></head>"); 18 html.append("<body style=\"margin:0px 0px;\"><div style=\"width:100%;margin:auto 0% auto 0%;\">"); 19 html.append("<video controls=\"controls\" width=\"100%\" height=\"100%\" name=\"media\" >");//无背景图片
20 html.append(String.format("%s%s.%s%s%s%s%s","<source src=\"",fileName,suffix,"\" type=\"audio/",suffix,"\" >","</video></div>"));//视频
21 html.append("</body></html>");//结尾
22 File indexFile=new File(String.format("%s%s%s",basePath,File.separator,"index.html")); 23 Writer fw=null; 24 PrintWriter bw=null; 25 //构建文件(html写入html文件)
26 try{ 27 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(indexFile),"UTF-8"));//以UTF-8的格式写入文件
28 bw=new PrintWriter(fw); 29 bw.write(html.toString()); 30 }catch(Exception e){ 31 throw new Exception(e.toString());//错误扔出
32 }finally{ 33 if (bw != null) { 34 bw.close(); 35 } 36 if(fw!=null){ 37 fw.close(); 38 } 39 } 40 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,fileName,"ZIP"); 41 scormService.zip(basePath, zipFilePath); 42 //删除文件
43 file.delete(); 44 FileUtils.forceDelete(new File(basePath)); 45 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath); 46 }
虽然需求最终还是改成最简单的实现方式，这中间近乎白忙活的结果研究出来的实现方案还是有必要分享的，以上如能帮助到开发者，哪怕只有一位，也是非常值得的。