Cómo convertir docx a xhtml

Question

Estoy tratando de encontrar una solución para convertir un archivo docx a XHTML.

Encontré xdocreport, que se ve bien, pero tengo algunos problemas. (y soy nuevo en xdocreport)

De acuerdo con sus documentaciones sobre github aquí y aquí : debería poder convertir con este código:

    String source = args[0];
    String dest = args[1];

    // 1) Create options DOCX to XHTML to select well converter form the registry
    Options options = Options.getFrom(DocumentKind.DOCX).to(ConverterTypeTo.XHTML);

    // 2) Get the converter from the registry
    IConverter converter = ConverterRegistry.getRegistry().getConverter(options);

    // 3) Convert DOCX to (x)html
    try {
        InputStream in = new FileInputStream(new File(source));
        OutputStream out = new FileOutputStream(new File(dest));
        converter.convert(in, out, options);
    } catch (XDocConverterException | FileNotFoundException e) {
        e.printStackTrace();
    }

Estoy usando estas dependencias (probé diferentes versiones, como 2.0.2, 2.0.0, 1.0.6):

    <dependency>
        <groupId>fr.opensagres.xdocreport</groupId>
        <artifactId>fr.opensagres.xdocreport.document.docx</artifactId>
        <version>2.0.2</version>
    </dependency>

    <dependency>
        <groupId>fr.opensagres.xdocreport</groupId>
        <artifactId>fr.opensagres.xdocreport.template.freemarker</artifactId>
        <version>2.0.2</version>
    </dependency>

    <dependency>
        <groupId>fr.opensagres.xdocreport</groupId>
        <artifactId>fr.opensagres.xdocreport.converter.docx.xwpf</artifactId>
        <version>2.0.2</version>
    </dependency>

Mis problemas:

• Faltan las imagenes
• Falta el color de fondo (todas las páginas tienen un color de fondo, que no es blanco y también tengo que convertirlo)

¿Cómo puedo manejar estos problemas? (¿O cómo puedo convertir docx a xhtml usando Docx4j con formatos / numeración / imágenes?)

Answer 1

Para convertir *.docxa XHTMLutilizar XDocReporty apache poi'es XWPFDocumentcomo la fuente que va a necesitar XHTMLOptions. Esas opciones pueden tener ImageManagerque establecer la ruta de las imágenes extraídas XWPFDocument. Entonces XHTMLConverteres necesario convertir.

Ejemplo completo:

import java.io.*;

//needed jars: xdocreport-2.0.2.jar, 
import fr.opensagres.poi.xwpf.converter.xhtml.XHTMLConverter;
import fr.opensagres.poi.xwpf.converter.xhtml.XHTMLOptions;
import fr.opensagres.poi.xwpf.converter.core.ImageManager;

//needed jars: all apache poi dependencies
import org.apache.poi.xwpf.usermodel.*;

public class DOCXToXHTMLXDocReport {

 public static void main(String[] args) throws Exception {

  String docPath = "./WordDocument.docx";

  String root = "./";
  String htmlPath = root + "WordDocument.html";

  XWPFDocument document = new XWPFDocument(new FileInputStream(docPath));

  XHTMLOptions options = XHTMLOptions.create().setImageManager(new ImageManager(new File(root), "images"));

  FileOutputStream out = new FileOutputStream(htmlPath);
  XHTMLConverter.getInstance().convert(document, out, options);

  out.close();      
  document.close();     
 
 }
}

Esto maneja las imágenes correctamente.

Pero XDocReportno puede manejar los colores de fondo de la página XWPFDocumentcorrectamente hasta ahora. Extrae y maneja los colores de fondo de los párrafos, pero no los colores de fondo de la página.