Java解析OFFICE(word,excel,powerpoint)以及PDF的實現方案及開發中的點滴分享
在此，先分享下寫此文前的經歷與感受，我所有的感覺濃縮到一個字，那就是:"坑",如果是兩個字那就是"巨坑"=>因為這個需求一開始並不是這樣子的，且聽我漫漫道來：
一開始客戶與我們商量的是將office和PDF上傳，將此類文件解析成html格式，在APP端調用內置server直接以html"播放"
經歷一個月~，兩個月~，三個月~~~
到需求開發階段，發現這是個坑。。。：按照需規的意思這個整體是當做一個功能來做的，技術難度也就算了，而且按照估算的工時也很難做成需規所需要的樣子(缺陷太多！)
然后一周~，一周~，又一周~~~
各種方案下來將需求做成能用的樣子，然后需求確認時客戶說：“我們沒有要求你們能解析這些文檔，我們只要求你們當做一個源文件上傳，在APP端點擊直接能選擇調用第三方應用打開就行了，而且一開始我們的需求就是這樣的。”
/**聽完，頓時淚流滿面(ಥ _ ಥ)，如果業務一開始就確認這樣做，何至於浪費如此多的時間，花費如此多的精力繞老大一圈。。。*/
需求繞了一圈又繞回來了，作為經歷過的人，現在總結下這需求里面無盡的坑：
A>開源社區有很多Demo，這些Demo有很多缺陷，比如office里面的藝術字、圖片、公式、顏色樣式、視頻和音頻不能解析
B>能解析的對象，解析出來的效果不是很好，比如word和ppt自身的排版亂了,excel單元格里面的自定義格式全變成數字了~等等
C>開源社區的資料並不是很全，導致的結果是不同的文檔類型需要用不同的解析方式去解析，比如word用docx4j解析、excel用poi解析帶來的代碼量巨大
D>由於代碼自身的解析效果不是很好，更改后的方案需要在上傳之前將源文件處理成其他的形式，如pdf需要切成圖片，ppt需要轉換成視頻或是圖片，這樣一來需求實現的方式就變成半自動了╥﹏╥...
E>word用docx4j解析一個很大的問題是解析的效率太低了，5MB以上的文件或者內容比較復雜的word文檔解析十分耗時，解析效率太低，再一就是poi解析數據量比較大的Exel(比如>1000行)容易造成內存溢出，不好控制
F>工時太短，只有15天。。。，加班加點(⊙︿⊙) ，包工頭，加工資！！！ε=怒ε=怒ε=怒ε=怒ε=( o｀ω′)ノ
以上吐槽完了，該展示下最終成果了~
上4圖從左至右依次是pdf、ppt、word、excel的解析html的效果，由於涉及開發協議上圖1和圖2部分地方有塗抹，且以上只是瀏覽器模擬手機顯示，遂顯示效果較為粗糙，在此十分抱歉~
下面介紹一下我的最終實現思路：
A>Word文檔分兩種格式(03版)doc和(07版)docx，由於doc屬於即將淘汰的格式同時為方便使用docx4j一步到位的實現方式，故不考慮doc格式文檔
B>同Word一樣，excel也不考慮舊版格式的轉換，方案是選用第三方Demo實現，涉及到具體的技術就是 poi.hssf
C>PowerPoint(ppt)由於內置對象比較多，為保證客戶的使用體驗，我的方案是將ppt直接導出成mp4或圖片(需打zip包)上傳，再用代碼包裝成html
D>對於pdf，同樣沒有很好的Demo實現成html，遂同ppt一樣通過軟件轉換成圖片的形式打包上傳，再用代碼包裝成html
先展示下word解析的相關代碼:
(代碼片段一)
1 public static void Word2Html() throws FileNotFoundException, Docx4JException{ 2 //需在log4j內配置docx4j的級別
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 }
(代碼片段二)
1 public ProcessFileInfo processDOCX(File file,String uploadPath)throws Exception{ 2 String fileName=file.getName().substring(0,file.getName().lastIndexOf("."));//獲取文件名稱
3 WordprocessingMLPackage wmp = WordprocessingMLPackage.load(file);//加載源文件
4 String basePath=String.format("%s%s%s", uploadPath,File.separator,fileName);//基址
5 FileUtils.forceMkdir(new File(basePath));//創建文件夾
6 String zipFilePath=String.format("%s%s%s.%s", uploadPath,File.separator,fileName,"ZIP");//最終生成文件的路徑
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);//壓縮包
9 FileUtils.forceDelete(new File(basePath));//刪除臨時文件夾
10 file.delete();//解析完成，刪除原docx文件
11 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath);//返回目標文件相關信息
12 }
解析word(docx)文檔所需要的代碼簡單到只需要兩行代碼(代碼片段一3、4兩行)，以上(代碼片段二)是實際開發的代碼，建議對比片段一看，同時由於項目可能會部署在linux系統下，建議使用File.separator來代替"/"或者"\"路徑分隔符；同時，需要解釋的是toHtml方法的四個參數==>
Docx4j.toHtml(加載源docx文件的WordprocessingMLPackage實例化對象，存放解析結果(html和圖片)的基目錄,存放圖片的文件夾名稱(在基目錄下),輸出主html的輸出流對象);
下圖是輸出的結果的目錄：
由於docx4j內部的log較多，默認Demo測試的時候輸出文件會有如下提示：
這句話的大意是：如需隱藏此消息，請設置docx4j的debug的級別。解決的方式是在實際項目的log4j.properties中添加docx4j的消息級別為ERROR，如：
如果使用maven管理項目，直接在pom.xml里面添加docx4j的dependency，如果需手動配置docx4j及其依賴包，一定要注意依賴包與當前docx4j的版本對應性(推薦3.3.5的docx4j，解析效果會好一些！)否則各種毛病啊~，下圖是maven倉庫的一些說明，如需手動配置依賴一定要點進去看下：
下面的代碼是Excel解析word的部分代碼片段(代碼不全,如有需要請郵件私我)：
(代碼片段一)
1 /**
2 * 3 * @param file 源文件:c://xx//xx.xlsx 4 * @param uploadPath 基目錄地址 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));//創建文件夾
11 String code=file.getName().substring(0,file.getName().lastIndexOf("."));//文件名稱
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 //構建html文件
18 try{ 19 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(htmlFile.getPath()),"UTF-8")); 20 bw=new PrintWriter(fw); 21 //添加表頭及可縮放樣式
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("");//錯誤扔出
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 //壓縮文件
41 scormService.zip(basePath, htmlZipFile); 42 file.delete();//刪除上傳的xlsx文件
43 FileUtils.forceDelete(new File(basePath)); 44 return new ProcessFileInfo(true,new File(htmlZipFile).getName(),htmlZipFile); 45 }
(代碼片段二)
1 /**
2 * 程序入口方法 3 * 4 * @param filePath 5 * 文件的路徑 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文件的內容包裝和解析excel的入口方法，整個解析類全部放在了utils包下面，service里面只管調用方法傳參就好了,如下圖：
解析Excel的工具類一共有四個文件類，其中Excel2HtmlUtils是入口類，其它三個均是關聯Excel2HtmlUtils類處理Excel樣式，需要注意的是:工具類處理Excel的時候一定要限制處理記錄的數量,以免造成內存溢出錯誤，順便說下：如果您解析的html供移動端使用，建議給html設置可縮放大小=>transform: scale(0.7,0.7);-webkit-transform: scale(0.7,0.7);。
說完Excel解析，下面給出pdf(圖片ZIP包)解析html的代碼片段，由於代碼較為簡單，不多的解釋，以下是具體的實現代碼：
1 /**
2 * 根據文件名中的數字排列圖片 3 * a>提取文件名中的數字放入int數組(序列) 4 * b>判斷序列數組元素個數與文件個數是否一致,不一致則拋出 5 * c>將序列數組從小到大排列 6 * d>遍歷序列數組獲取Map中的文件名(value)並寫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("."));//提取名稱
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("====請檢查您的圖片編號====");/*重復或者不存在數字編號*/
20 return new ProcessFileInfo(false,null,null); 21 } 22 Arrays.sort(i);//int數組內元素從小到大排列 23
24 //包裝成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 //構建文件(html寫入html文件)
36 try{ 37 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(indexFile),"UTF-8"));//以UTF-8的格式寫入文件
38 bw=new PrintWriter(fw); 39 bw.write(html.toString()); 40 }catch(Exception e){ 41 throw new Exception(e.toString());//錯誤扔出
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 //刪除文件
53 file.delete(); 54 FileUtils.forceDelete(new File(basePath)); 55 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath); 56 }
同Excel，由於我將ppt存為mp4格式，上傳后只需要做簡單包裝就可以了，處理的時候一定要注意html對視頻的相對引用，以下是具體的實現代碼：
1 /**
2 * 3 * @param file 上傳的文件的路徑 c://xx.//xxx.mp4 4 * @param uploadPath 保存html的基目錄路徑 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("."));//獲取文件名稱
10 String suffix=file.getName().substring(file.getName().lastIndexOf(".")+1,file.getName().length()).toLowerCase();//音頻文件后綴名
11 String basePath=String.format("%s%s%s", uploadPath,File.separator,fileName); 12 FileUtils.forceMkdir(new File(basePath)); 13 //將視頻文件copy到basePath內
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\" >");//無背景圖片
20 html.append(String.format("%s%s.%s%s%s%s%s","<source src=\"",fileName,suffix,"\" type=\"audio/",suffix,"\" >","</video></div>"));//視頻
21 html.append("</body></html>");//結尾
22 File indexFile=new File(String.format("%s%s%s",basePath,File.separator,"index.html")); 23 Writer fw=null; 24 PrintWriter bw=null; 25 //構建文件(html寫入html文件)
26 try{ 27 fw= new BufferedWriter( new OutputStreamWriter(new FileOutputStream(indexFile),"UTF-8"));//以UTF-8的格式寫入文件
28 bw=new PrintWriter(fw); 29 bw.write(html.toString()); 30 }catch(Exception e){ 31 throw new Exception(e.toString());//錯誤扔出
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 //刪除文件
43 file.delete(); 44 FileUtils.forceDelete(new File(basePath)); 45 return new ProcessFileInfo(true,new File(zipFilePath).getName(),zipFilePath); 46 }
雖然需求最終還是改成最簡單的實現方式，這中間近乎白忙活的結果研究出來的實現方案還是有必要分享的，以上如能幫助到開發者，哪怕只有一位，也是非常值得的。