Spring Boot集成tika實(shí)現(xiàn)word轉(zhuǎn)html

.什么是tika?

Tika是一個內(nèi)容分析工具，自帶全面的parser工具類，能解析基本所有常見格式的文件，得到文件的metadata，content等內(nèi)容，返回格式化信息。總的來說可以作為一個通用的解析工具。特別對于搜索引擎的數(shù)據(jù)抓去和處理步驟有重要意義。Tika是Apache的Lucene項(xiàng)目下面的子項(xiàng)目，在lucene的應(yīng)用中可以使用tika獲取大批量文檔中的內(nèi)容來建立索引，非常方便，也很容易使用。Apache Tika toolkit可以自動檢測各種文檔(如word,ppt,xml,csv,ppt等)的類型并抽取文檔的元數(shù)據(jù)和文本內(nèi)容。Tika集成了現(xiàn)有的文檔解析庫，并提供統(tǒng)一的接口，使針對不同類型的文檔進(jìn)行解析變得更簡單。Tika針對搜索引擎索引、內(nèi)容分析、轉(zhuǎn)化等非常有用。

Tika架構(gòu)

應(yīng)用程序員可以很容易地在他們的應(yīng)用程序集成Tika。Tika提供了一個命令行界面和圖形用戶界面，使它比較人性化。在本章中，我們將討論構(gòu)成Tika架構(gòu)的四個重要模塊。下圖顯示了Tika的四個模塊的體系結(jié)構(gòu)：

語言檢測機(jī)制。
MIME檢測機(jī)制。
Parser接口。
Tika Facade 類.

語言檢測機(jī)制

每當(dāng)一個文本文件被傳遞到Tika，它將檢測在其中的語言。它接受沒有語言的注釋文件和通過檢測該語言添加在該文件的元數(shù)據(jù)信息。支持語言識別，Tika 有一類叫做語言標(biāo)識符在包org.apache.tika.language及語言識別資料庫里面包含了語言檢測從給定文本的算法。Tika 內(nèi)部使用N-gram算法語言檢測。

MIME檢測機(jī)制

Tika可以根據(jù)MIME標(biāo)準(zhǔn)檢測文檔類型。Tika默認(rèn)MIME類型檢測是使用org.apache.tika.mime.mimeTypes。它使用org.apache.tika.detect.Detector 接口大部分內(nèi)容類型檢測。內(nèi)部Tika使用多種技術(shù)，如文件匹配替換，內(nèi)容類型提示，魔術(shù)字節(jié)，字符編碼，以及其他一些技術(shù)。

解析器接口

org.apache.tika.parser 解析器接口是Tika解析文檔的主要接口。該接口從提取文檔中的文本和元數(shù)據(jù)，并總結(jié)了其對外部用戶愿意寫解析器插件。采用不同的具體解析器類，具體為各個文檔類型，Tika 支持大量的文件格式。這些格式的具體類不同的文件格式提供支持，無論是通過直接實(shí)現(xiàn)邏輯分析器或使用外部解析器庫。

Tika Facade 類

使用的Tika facade類是從Java調(diào)用Tika的最簡單和直接的方式，而且也沿用了外觀的設(shè)計模式。可以在 Tika API的org.apache.tika包Tika 找到外觀facade類。通過實(shí)現(xiàn)基本用例，Tika作為facade的代理。它抽象了的Tika庫的底層復(fù)雜性，例如MIME檢測機(jī)制，解析器接口和語言檢測機(jī)制，并提供給用戶一個簡單的接口來使用。

2.代碼工程

實(shí)驗(yàn)?zāi)繕?biāo)

實(shí)現(xiàn)word文檔轉(zhuǎn)html

pom.xml

<?xml version="1.0" encoding="UTF-8"?>
<project xmlns="http://maven.apache.org/POM/4.0.0"
         xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
         xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
    <parent>
        <artifactId>springboot-demo</artifactId>
        <groupId>com.et</groupId>
        <version>1.0-SNAPSHOT</version>
    </parent>
    <modelVersion>4.0.0</modelVersion>

    <artifactId>tika</artifactId>

    <properties>
        <maven.compiler.source>8</maven.compiler.source>
        <maven.compiler.target>8</maven.compiler.target>
    </properties>
    <dependencies>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-web</artifactId>
        </dependency>

        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-autoconfigure</artifactId>
        </dependency>
        <dependency>
            <groupId>org.springframework.boot</groupId>
            <artifactId>spring-boot-starter-test</artifactId>
            <scope>test</scope>
        </dependency>
        <dependency>
            <groupId>org.apache.tika</groupId>
            <artifactId>tika-parsers</artifactId>
            <version>1.17</version>
        </dependency>
        <dependency>
            <groupId>org.projectlombok</groupId>
            <artifactId>lombok</artifactId>
        </dependency>

    </dependencies>
</project>

controller

package com.et.tika.controller;

import com.et.tika.convertor.WordToHtmlConverter;
import com.et.tika.dto.ConvertedDocumentDTO;
import lombok.extern.slf4j.Slf4j;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.RequestMapping;
import org.springframework.web.bind.annotation.RequestMethod;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;
import org.springframework.web.multipart.MultipartFile;

import java.util.HashMap;
import java.util.Map;

@RestController
@Slf4j
public class HelloWorldController {
    @RequestMapping("/hello")
    public Map<String, Object> showHelloWorld(){
        Map<String, Object> map = new HashMap<>();
        map.put("msg", "HelloWorld");
        return map;
    }
    @Autowired
    WordToHtmlConverter converter;



    /**
     * Transforms the Word document into HTML document and returns the transformed document.
     *
     * @return  The content of the uploaded document as HTML.
     */
    @RequestMapping(value = "/api/word-to-html", method = RequestMethod.POST)
    public ConvertedDocumentDTO convertWordDocumentIntoHtmlDocument(@RequestParam(value = "file", required = true) MultipartFile wordDocument) {
        log.info("Converting word document into HTML document");

        ConvertedDocumentDTO htmlDocument = converter.convertWordDocumentIntoHtml(wordDocument);

        log.info("Converted word document into HTML document.");
        log.trace("The created HTML markup looks as follows: {}", htmlDocument);

        return htmlDocument;
    }
}

WordToHtmlConverter

package com.et.tika.convertor;


import com.et.tika.dto.ConvertedDocumentDTO;
import com.et.tika.exception.DocumentConversionException;
import lombok.extern.slf4j.Slf4j;
import org.apache.tika.exception.TikaException;
import org.apache.tika.metadata.Metadata;
import org.apache.tika.parser.ParseContext;
import org.apache.tika.parser.Parser;
import org.apache.tika.parser.microsoft.ooxml.OOXMLParser;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
import org.springframework.stereotype.Component;
import org.springframework.web.multipart.MultipartFile;
import org.xml.sax.SAXException;

import javax.xml.transform.OutputKeys;
import javax.xml.transform.TransformerException;
import javax.xml.transform.sax.SAXTransformerFactory;
import javax.xml.transform.sax.TransformerHandler;
import javax.xml.transform.stream.StreamResult;
import java.io.IOException;
import java.io.InputStream;
import java.io.StringWriter;

/**
 *
 */
@Component
@Slf4j
public class WordToHtmlConverter {


    /**
     * Converts a .docx document into HTML markup. This code
     * is based on <a href="http://stackoverflow.com/a/9053258/313554">this StackOverflow</a> answer.
     *
     * @param wordDocument  The converted .docx document.
     * @return
     */
    public ConvertedDocumentDTO convertWordDocumentIntoHtml(MultipartFile wordDocument) {
        log.info("Converting word document: {} into HTML", wordDocument.getOriginalFilename());
        try {
            InputStream input = wordDocument.getInputStream();
            Parser parser = new OOXMLParser();

            StringWriter sw = new StringWriter();
            SAXTransformerFactory factory = (SAXTransformerFactory)
                    SAXTransformerFactory.newInstance();
            TransformerHandler handler = factory.newTransformerHandler();
            handler.getTransformer().setOutputProperty(OutputKeys.ENCODING, "utf-8");
            handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "html");
            handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "yes");
            handler.setResult(new StreamResult(sw));

            Metadata metadata = new Metadata();
            metadata.add(Metadata.CONTENT_TYPE, "text/html;charset=utf-8");
            parser.parse(input, handler, metadata, new ParseContext());
            return new ConvertedDocumentDTO(wordDocument.getOriginalFilename(), sw.toString());
        }
        catch (IOException | SAXException | TransformerException | TikaException ex) {
            log.error("Conversion failed because an exception was thrown", ex);
            throw new DocumentConversionException(ex.getMessage(), ex);
        }
    }
}

dto

package com.et.tika.dto;

import org.apache.commons.lang.builder.ToStringBuilder;

/**
 *
 */
public  class ConvertedDocumentDTO {

    private final String contentAsHtml;
    private final String filename;

    public ConvertedDocumentDTO(String filename, String contentAsHtml) {
        this.contentAsHtml = contentAsHtml;
        this.filename = filename;
    }

    public String getContentAsHtml() {
        return contentAsHtml;
    }

    public String getFilename() {
        return filename;
    }

    @Override
    public String toString() {
        return new ToStringBuilder(this)
                .append("filename", this.filename)
                .append("contentAsHtml", this.contentAsHtml)
                .toString();
    }
}

自定義異常

package com.et.tika.exception;

/**
 *
 */
public final class DocumentConversionException extends RuntimeException {

    public DocumentConversionException(String message, Exception ex) {
        super(message, ex);
    }
}

以上只是一些關(guān)鍵代碼，所有代碼請參見下面代碼倉庫

代碼倉庫

https://github.com/Harries/springboot-demo

3.測試

啟動Spring Boot應(yīng)用

測試word轉(zhuǎn)html

4.引用

https://tika.apache.org/
http://www.liuhaihua.cn/archives/710679.html

當(dāng)今數(shù)字化的時代，HTML和PDF已經(jīng)成為兩種最常用的文件格式。HTML用于網(wǎng)頁內(nèi)容的展示，而PDF則以其高度的可讀性和不依賴于平臺的特性，成為文檔分享和傳播的首選格式。然而，在辦公環(huán)境中，我們經(jīng)常需要在這兩種格式之間進(jìn)行轉(zhuǎn)換。那有沒有一種方法可以一鍵完成，批量轉(zhuǎn)換HTML為PDF格式，從而提升我們的辦公效率呢？現(xiàn)在一起來看看“辦公提效工具”如何批量操作的技巧吧。

把想要的網(wǎng)頁保存在本地磁盤中。

如何實(shí)現(xiàn)一鍵完成，批量轉(zhuǎn)換HTML為PDF呢？這里我們介紹一款常用的工具——辦公提效工具。辦公提效工具是一款強(qiáng)大的PDF編輯軟件，它提供了“批量轉(zhuǎn)換”功能，可以方便地將多個HTML文件一次性轉(zhuǎn)換為PDF格式。具體步驟如下：

操作1、在辦公提效工具面板上選擇“PDF編輯工具”進(jìn)入該編輯頁。

操作2、選擇轉(zhuǎn)換模式，支持多種格式轉(zhuǎn)換。下面選擇“html轉(zhuǎn)pdf”。

操作3、在面板上點(diǎn)擊“添加文件”，接著在彈出的文件選擇對話框中，選擇需要轉(zhuǎn)換的HTML文件，然后點(diǎn)擊“打開”自動導(dǎo)入到列表中。

操作4、選擇新文件保存位置，下面選擇“原文件相同位置”。

操作5、以上都設(shè)定好后，在面板上點(diǎn)擊“開始轉(zhuǎn)換”進(jìn)入任務(wù)轉(zhuǎn)換，接著看到狀態(tài)欄中轉(zhuǎn)換進(jìn)度發(fā)生變化。

操作6、轉(zhuǎn)換成功點(diǎn)擊“打開文件夾”進(jìn)入路徑看到已轉(zhuǎn)的兩個pdf文件。

操作7、打開pdf文件看到內(nèi)容與網(wǎng)頁相同。該有的文字和圖片等內(nèi)容版面一致。

通過以上步驟，我們就可以輕松實(shí)現(xiàn)一鍵完成，批量轉(zhuǎn)換HTML為PDF格式。這種方法不僅可以大大提升我們的辦公效率，還可以避免一個個等待的煩惱。同時，辦公提效工具還提供了許多其他的功能，如新建PDF文檔、修改原PDF文檔等，使得我們可以在處理PDF文件時更加得心應(yīng)手。

總之，一鍵完成，批量轉(zhuǎn)換HTML為PDF格式的方法，是提升辦公效率的有效途徑之一。通過合理地利用工具和技術(shù)，我們可以更加高效地處理大量的文件和數(shù)據(jù)，從而更好地滿足工作需求。

擬機(jī)為我們提供了一個無限可能的世界。在這個世界里，我們可以嘗試、學(xué)習(xí)、甚至犯錯，而不必?fù)?dān)心現(xiàn)實(shí)生活中的后果。Emacs，作為一款強(qiáng)大的文本編輯器，它的Org模式更是讓人們在組織復(fù)雜信息時如魚得水。但是，當(dāng)我們嘗試將Org文件轉(zhuǎn)換為HTML格式時，有時會遇到一個令人困惑的問題：“source block missing language specification #include”。這是什么意思？它又該如何解決呢？

在深入探討之前，讓我們先來思考一個問題：為什么我們要將Org文件轉(zhuǎn)換為HTML？答案可能各有不同，但一個共同點(diǎn)是，我們都希望能夠更好地分享和展示我們的工作。HTML作為一種廣泛支持的格式，能夠讓我們的內(nèi)容在不同的平臺上呈現(xiàn)出一致的效果。這就像是我們穿上了一件合身的外衣，讓內(nèi)在的價值得以外顯。

當(dāng)我們遇到“source block missing language specification #include”的提示時，我們應(yīng)該怎么辦呢？首先，我們需要理解這個提示的含義。在Emacs的Org模式中，當(dāng)我們使用源代碼塊時，通常需要指定語言類型，比如#+BEGIN_SRC python。這樣，Emacs就能夠知道如何高亮和格式化我們的代碼。但如果我們忘記了這一步，就會收到上述的提示。

解決這個問題的方法其實(shí)很簡單。我們只需要回到源代碼塊的開始，確保正確地指定了語言類型。如果是包含在文件中的代碼，比如C語言的頭文件，我們可以使用#+INCLUDE: "file.h" src c這樣的語法來引入。

通過這個簡單的修正，我們就能夠順利地將Org文件轉(zhuǎn)換為HTML，而不會再有任何阻礙。這個過程就像是我們在虛擬世界中解決了一個謎題，獲得了前進(jìn)的鑰匙。

并且可以嘗試以下幾種方法來解決：

方法一：添加語言規(guī)范

在 Org 文檔中，對于包含代碼塊的文本，需要添加語言規(guī)范，以便 Org-mode 正確地解析和轉(zhuǎn)換代碼。

具體步驟如下：

在代碼塊的開頭，添加一行指示語言規(guī)范的注釋。例如，對于 C 語言代碼，可以添加以下注釋：

#lang c

再次嘗試將 Org 文檔轉(zhuǎn)換為 HTML。

方法二：使用 org-babel

org-babel 是 Org-mode 的一個擴(kuò)展包，可以用于將代碼塊轉(zhuǎn)換為各種格式，包括 HTML。

具體步驟如下：

安裝 org-babel 擴(kuò)展包。

M-x package-install RET org-babel

在 Org 文檔中，將代碼塊標(biāo)記為 babel 塊。例如，對于 C 語言代碼，可以使用以下標(biāo)記：

#+begin_src c#include <stdio.h>int main() {  printf("Hello, world!\n");  return 0;}#+end_src

再次嘗試將 Org 文檔轉(zhuǎn)換為 HTML。

方法三：使用 org-html-export-filter

org-html-export-filter 是 Org-mode 的一個函數(shù)，可以用于在導(dǎo)出 HTML 時自定義代碼塊的轉(zhuǎn)換。

具體步驟如下：

在 Emacs 配置文件中，添加以下代碼：

(defun my-org-html-export-filter (block)  "自定義代碼塊的轉(zhuǎn)換。"  (if (string-match-p "^#lang\s+c\s*$" (org-block-property block :language))    (org-html-export-filter-block-as-code block "c" "highlight")    (org-html-export-filter-block-as-verbatim block)))(add-hook 'org-html-export-filter-alist 'my-org-html-export-filter)

再次嘗試將 Org 文檔轉(zhuǎn)換為 HTML。

以上三種方法都可以解決 Org 轉(zhuǎn)為 HTML 時提示“source block missing language specification #include<stdio.h>”的問題。具體選擇哪種方法，可以根據(jù)自己的實(shí)際情況和需求來決定。

在線咨詢

上一篇：HTML 鏈接
下一篇：來篇Java集合框架綜述，助你吃透它（建議收藏常看）！

您的項(xiàng)目需求

*請認(rèn)真填寫需求信息，我們會在24小時內(nèi)與您取得聯(lián)系。

整合營銷服務(wù)商

Spring Boot集成tika實(shí)現(xiàn)word轉(zhuǎn)html

.什么是tika?

Tika架構(gòu)

語言檢測機(jī)制

MIME檢測機(jī)制

解析器接口

Tika Facade 類

2.代碼工程

實(shí)驗(yàn)?zāi)繕?biāo)

pom.xml

controller

WordToHtmlConverter

dto

自定義異常

代碼倉庫

3.測試

測試word轉(zhuǎn)html

4.引用

您的項(xiàng)目需求