大家好，我是“Java分布式架构实战”的作者Jamesfu。

需求背景

最近在做一个项目，需要将CMS中的内容动态地生成word文档和pdf文档。

word模板

Word模板主要包括页眉、页脚、正文。正文中又分为标题、题注、富文本内容。

image.png

1. 经过调研、测试发现，Easypoi能较好地满足模板化生成。但是没有发现如何插入富文本内容。
2. 后来发现docx4j能够插入富文本内容。

使用Easypoi解析word模板

//构造规章文档生成参数
String notes = "";
if (StringUtils.isNotBlank(articleInsertVo.getNotes())) {
    notes = "（" + articleInsertVo.getNotes() + "）";
}
Map<String, String> params = new HashMap<>();
params.put("title", articleInsertVo.getTitle());
params.put("notes", notes);
params.put("content", articleInsertVo.getContent());

XWPFDocument doc = WordExportUtil.exportWord07(templatePath, data)
FileOutputStream fos = new FileOutputStream(outputFile)
doc.write(fos);
fos.flush();
fos.close();

使用docx4j插入富文本内容

### 对html进行标准化处理并增加字符集设置
Document document = org.jsoup.Jsoup.parse(htmlContent);
document.head().prepend("<meta charset=\"utf-8\"/>");
String normalizedHtmlContent = document.html();

### 将标准化后的html内容插入word文件
WordprocessingMLPackage aPackage = WordprocessingMLPackage.load(outputFile);
MainDocumentPart mainDocumentPart = aPackage.getMainDocumentPart();
mainDocumentPart.addAltChunk(AltChunkType.Html, normalizedHtmlContent.getBytes(Charsets.UTF_8));
aPackage.save(outputFile);

将本地文件outputFile上传到OSS

### 将本地文件转换成MultipartFile后，执行上传
private MultipartFile fileToMultipartFile(File localFile) throws IOException {
    FileItem fileItem = new DiskFileItem("file",
            Files.probeContentType(localFile.toPath()),
            false, localFile.getName(),
            (int) localFile.length(),
            localFile.getParentFile());
    MultipartFile multipartFile;
    try (InputStream input = new FileInputStream(localFile); OutputStream os = fileItem.getOutputStream()) {
        IOUtils.copy(input, os);
        multipartFile = new CommonsMultipartFile(fileItem);
        return multipartFile;
    } catch (IOException ex) {
        throw new RuntimeException(ex);
    }
}

最终效果

最终，通过了Windows,MacOS上的Microsoft Word\WPS测试。

image.png

遇到的问题

1. 仅使用Easypoi生成的word文档如下

image.png

2. 使用docx4j向word文件中追加html网页内容时显示html标签
   经过排查发现html内容不规范，缺少html/head/body标签，可以通过Jsoup进行标准化。

Document document = org.jsoup.Jsoup.parse(htmlContent);
document.head().prepend("<meta charset=\"utf-8\"/>");
String normalizedHtmlContent = document.html();

image.png

3. 使用docx4j向word文件中追加html网页内容时显示乱码
   经过排查发现html内容head中缺少meta标签：<meta charset="utf-8"/>
   
   image.png

总结

本项目的难点在于正文是富文本编辑器产生的一段html内容，最终通过Easypoi和docx4j组合来生成word文档。在测试过程中，本来想用word转pdf，经过测试发现docx4j转pdf不能正常处理页眉、页脚和html内容部分。后来发现可以考虑用wkhtmltopdf来生成pdf。

/usr/local/bin/wkhtmltopdf \
--enable-local-file-access \
--header-html file:///Users/jamesfu/data/temp/ruleArticle/header.html \
--footer-html file:///Users/jamesfu/data/temp/ruleArticle/footer.html \
/Users/jamesfu/data/temp/ruleArticle/gz.html \
/Users/jamesfu/data/temp/ruleArticle/gz.pdf

image.png

看到这个结果我还是挺兴奋的，wkhtmltopdf帮助我们打印出来漂亮的页眉、页脚和内容，只是出现了乱码而已。此乱码问题，应该是文件乱码导致的。通过Visual Studio Code查看文件发现是UTF-8编码.

image.png

那为什么还会打印出乱码呢？

我点击右下角的编码,弹出菜单，选择“Save with Encoding”, 文件重新保存为“UTF-8”。

image.png

文件编码调整为“UTF-8”后，重新打印为pdf文件，一切正常了，接下来还需要研究书签和目录。

image.png

先简单写到这里吧，这一周为这个事费了不少精力。

参考资料

• DOCX4J操作WORD文档之替换模板数据
• docx4j-convert-html-to-docx
• converting docx to pdf
• converting docx to pdf
• https://blog.csdn.net/csonst1017/article/details/105533619
• Java 通过wkhtmltopdf在线生成PDF及遇到的坑
• https://wkhtmltopdf.org/
• <meta>：文档级元数据元素
• Java中解析HTML框架之Jsoup
• jsoup 标准化html代码,Jsoup从元素抽取属性，文本和HTML
• @SneakyThrows
• CSS字体中英文名称对照表 CSS常用中文字体英文名称对照表
• XHTML 与 HTML 之间的差异
• CSS Fonts Module Level 4
• Doctype