提取富文本中纯文本 java 富文本导出word

最近项目需要将知识库导出，导出为word，网上查了很多资料，但是总会遇到很多磕磕绊绊，花了很多时间。希望对其他人有所借鉴。

利用word来解析带base64图片的富文本，思路是：word模板另存为mht格式，再修改后缀为ftl。将base64字符串的图片，填充到制作的模板上。

首先我们需要填充的word模板如下：

首先利用MicroSoft Word制作word模板，由于尝试新建word，后缀都是docx的，但是我们要求的模板是doc后缀的，因此在我们创建word模板后需要另存为doc格式（这点非常总要，坑了我好多天！！！！）。

我们的模板如下：

记住我们要替换的地方用 ${} 框起来，比如 $ {articleTitle} 和 $ {equipmentTypeName} （去掉中间空格）。如上图所示。
将模板存为doc格式后，再利用MicroSoft Word另存为mht格式，可以利用idea进行打开。接下来就是对mht格式进行修改了。
需要修改的地方：

1. 全文搜索gb2312，然后将其替换为utf-8，要记住同时需要加上3D前缀。
   需要改成一般如下格式（注意有的是单个双引号，有的是两个）

Content-Type: text/html; charset=3D"utf-8"
<meta http-equiv=3DContent-Type content=3D"text/html; charset=3Dutf-8">

2. 同时在以下两个地方分别加入 $ {imagesBase64String} 和 $ {imagesXmlHrefString}，主要用于解析我们的base64图片。

同时上图还有两个红色框框的地方，我们需要记住这些信息。后面有用。

修改后我们将mht后缀改成ftl。此外我们还要注意，格式转换后我们要替换的模板$ {articleTitle} 会填充一些其他字符，我们要将${}内不是我们输入的字符删掉，最终变成以下：

还有就是，后面我们转换以后会发现我们的中文字符会出现很多乱码，比如我们指定的字体等线格式会变成未知的问好（乱码），还有我们基本信息，文章名称，设备类型名称，故障类型，故障代码，文章内容等中文字符都会变成乱码，我们可以手动输入中文进行修正。

带有？显示的就是乱码。不过这些字体什么的不是这么重要，我们只需要把总要的我们模板的内容保证正确就行。

接下来是java代码部分了。
下面handler前三个set的内容就是我们之前mht用红色矩形框框起来的：“file:///C:/67194E70”，“20201220.files”，“01D6D6C1.A2FBEE20”

RichHtmlHandler handler = new RichHtmlHandler(String.valueOf(map.get("articleContent")));

handler.setDocSrcLocationPrex("file:///C:/67194E70");
handler.setDocSrcParent("20201220.files");
handler.setNextPartId("01D6D6C1.A2FBEE20");
handler.setShapeidPrex("_x56fe__x7247__x0020");
handler.setSpidPrex("_x0000_i");
handler.setTypeid("#_x0000_t75");

填充模板如下图所示，我们定义Map<String, Object>，String就是我们之前模板里面 ${articleTitle}里面的字符，而Object则分别表示我们要填充的内容。

Map<String, Object> map = new LinkedHashMap<>();

        for (KDTO kDTO : kDTOList) {//遍历集合往map中添加数据
            map.put("articleTitle", kDTO.getArticleTitle());
            map.put("articleNumbe", kDTO.getArticleCode());
            map.put("equipmentTypeName", kDTO.getEquipmentTypeName());
            map.put("faultType", String.valueOf(kDTO.getFailureType()));
            map.put("faultCode", kDTO.getArticleCode());
            map.put("faultPhenomenon", kDTO.getFailureSymptom());
            map.put("faultLocation", kDTO.getFailurePart());
            map.put("creator", kDTO.getStaffName());
            map.put("causeOfFailure", kDTO.getFailureReason());
            map.put("treatmentMeasures", kDTO.getFailureTreatment());
            map.put("articleContent", kDTO.getArticleContent());

我们通过freemarker进行模板填充，下面是html处理文章内容代码：

package com.fii.amms.utils;

import java.awt.image.BufferedImage;
import java.io.ByteArrayInputStream;
import java.io.File;
import java.io.IOException;
import java.nio.charset.StandardCharsets;
import java.util.ArrayList;
import java.util.List;
import java.util.UUID;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import org.springframework.util.StringUtils;

import javax.imageio.ImageIO;

public class RichHtmlHandler {

    private Document doc = null;
    private String html;

    private String docSrcParent = "";
    private String docSrcLocationPrex = "";
    private String nextPartId;
    private String shapeidPrex;
    private String spidPrex;
    private String typeid;

    private String handledDocBodyBlock;
    private List<String> docBase64BlockResults = new ArrayList<String>();
    private List<String> xmlImgRefs = new ArrayList<String>();

    public String getDocSrcLocationPrex() {
        return docSrcLocationPrex;
    }

    public void setDocSrcLocationPrex(String docSrcLocationPrex) {
        this.docSrcLocationPrex = docSrcLocationPrex;
    }

    public String getNextPartId() {
        return nextPartId;
    }

    public void setNextPartId(String nextPartId) {
        this.nextPartId = nextPartId;
    }

    public String getHandledDocBodyBlock() {
        String raw=   WordHtmlGeneratorHelper.string2Ascii(doc.getElementsByTag("body").html());
        return raw.replace("=3D", "=").replace("=", "=3D");
    }

    public String getRawHandledDocBodyBlock() {
        String raw=  doc.getElementsByTag("body").html();
        return raw.replace("=3D", "=").replace("=", "=3D");
    }
    public List<String> getDocBase64BlockResults() {
        return docBase64BlockResults;
    }

    public List<String> getXmlImgRefs() {
        return xmlImgRefs;
    }

    public String getShapeidPrex() {
        return shapeidPrex;
    }

    public void setShapeidPrex(String shapeidPrex) {
        this.shapeidPrex = shapeidPrex;
    }

    public String getSpidPrex() {
        return spidPrex;
    }

    public void setSpidPrex(String spidPrex) {
        this.spidPrex = spidPrex;
    }

    public String getTypeid() {
        return typeid;
    }

    public void setTypeid(String typeid) {
        this.typeid = typeid;
    }

    public String getDocSrcParent() {
        return docSrcParent;
    }

    public void setDocSrcParent(String docSrcParent) {
        this.docSrcParent = docSrcParent;
    }

    public String getHtml() {
        return html;
    }

    public void setHtml(String html) {
        this.html = html;
    }

    public RichHtmlHandler(String html) {
        this.html = html;
        doc = Jsoup.parse(wrappHtml(this.html));
    }

    public void re_init(String html){
        doc=null;
        doc = Jsoup.parse(wrappHtml(html));
        docBase64BlockResults.clear();
        xmlImgRefs.clear();
    }


    public void handledHtml(boolean isWebApplication)
            throws IOException {
        Elements imags = doc.getElementsByTag("img");
        if (imags == null || imags.size() == 0) {
            // 返回编码后字符串
            return;
            //handledDocBodyBlock = WordHtmlGeneratorHelper.string2Ascii(html);
        }

        // 转换成word mht 能识别图片标签内容，去替换html中的图片标签

        for (Element item : imags) {
            // 把文件取出来
            String src = item.attr("src");
            String srcRealPath = src;

            File imageFile = new File(srcRealPath);
            String imageFielShortName = imageFile.getName();
            //Base64的话获取fileTypeName;
            String fileTypeName = srcRealPath.substring(srcRealPath.indexOf("/")+1, srcRealPath.indexOf(";"));
            //String fileTypeName = WordImageConverter.getFileSuffix(srcRealPath);

            String docFileName = "image" + UUID.randomUUID().toString() + "."+ fileTypeName;
            String srcLocationShortName = docSrcParent + "/" + docFileName;

            String styleAttr = item.attr("style"); // 样式


            String encodedImg = null;
            BufferedImage sourceImg = null;
            String partSeparator = ",";
            if (srcRealPath.contains(partSeparator)) {
                encodedImg = srcRealPath.split(partSeparator)[1];
                byte[] decodedImg = java.util.Base64.getDecoder().decode(encodedImg.getBytes(StandardCharsets.UTF_8));
                sourceImg = ImageIO.read(new ByteArrayInputStream(decodedImg));
            }


            //高度
            String imagHeightStr=item.attr("height");;
            if(StringUtils.isEmpty(imagHeightStr)){
                imagHeightStr = getStyleAttrValue(styleAttr, "height");
            }
            //宽度
            String imagWidthStr=item.attr("width");;
            if(StringUtils.isEmpty(imagHeightStr)){
                imagHeightStr = getStyleAttrValue(styleAttr, "width");
            }

            imagHeightStr = imagHeightStr.replace("px", "");
            imagWidthStr = imagWidthStr.replace("px", "");
            if(StringUtils.isEmpty(imagHeightStr)){
                //去得到默认的文件高度
                imagHeightStr="0";
            }
            if(StringUtils.isEmpty(imagWidthStr)){
                imagWidthStr="0";
            }



            //int imageHeight = Integer.parseInt(imagHeightStr);
            //int imageWidth = Integer.parseInt(imagWidthStr);
            int imageHeight = sourceImg.getHeight();
            int imageWidth = sourceImg.getWidth();


            // 得到文件的word mht的body块
            String handledDocBodyBlock = WordImageConverter.toDocBodyBlock(srcRealPath,
                    imageFielShortName, imageHeight, imageWidth,styleAttr,
                    srcLocationShortName, shapeidPrex, spidPrex, typeid);

            //这里的顺序有点问题：应该是替换item，而不是整个后面追加
            //doc.rreplaceAll(item.toString(), handledDocBodyBlock);
            item.after(handledDocBodyBlock);
//			item.parent().append(handledDocBodyBlock);
            item.remove();
            // 去替换原生的html中的imag

            //String base64Content = WordImageConverter.imageToBase64(srcRealPath);
            String base64Content = encodedImg;
            String contextLoacation = docSrcLocationPrex + "/" + docSrcParent + "/" + docFileName;

            String docBase64BlockResult = WordImageConverter.generateImageBase64Block(nextPartId, contextLoacation,
                    fileTypeName, base64Content);
            docBase64BlockResults.add(docBase64BlockResult);

            String imagXMLHref = "<o:File HRef=3D\"" + docFileName + "\"/>";
            xmlImgRefs.add(imagXMLHref);

        }

    }

    private String getStyleAttrValue(String style, String attributeKey) {
        if (StringUtils.isEmpty(style)) {
            return "";
        }

        // 以";"分割
        String[] styleAttrValues = style.split(";");
        for (String item : styleAttrValues) {
            // 在以 ":"分割
            String[] keyValuePairs = item.split(":");
            if (attributeKey.equals(keyValuePairs[0])) {
                return keyValuePairs[1];
            }
        }

        return "";
    }

    private String wrappHtml(String html){
        // 因为传递过来都是不完整的doc
        StringBuilder sb = new StringBuilder();
        sb.append("<html>");
        sb.append("<body>");
        sb.append(html);

        sb.append("</body>");
        sb.append("</html>");
        return sb.toString();
    }
}

处理完后我们可以将文章内容和base64图片分离：

RichHtmlHandler handler = new RichHtmlHandler(String.valueOf(map.get("articleContent")));

            handler.setDocSrcLocationPrex("file:///C:/67194E70");
            handler.setDocSrcParent("20201220.files");
            handler.setNextPartId("01D6D6C1.A2FBEE20");
            handler.setShapeidPrex("_x56fe__x7247__x0020");
            handler.setSpidPrex("_x0000_i");
            handler.setTypeid("#_x0000_t75");

            try{
            handler.handledHtml(false);
            }catch (Exception e){
                throw new AMMSException(ErrorEnum.FAILED_TO_EXPORT.getCode(), "导出知识库失败", ErrorEnum.FAILED_TO_EXPORT.getMsg());
            }

            String bodyBlock = handler.getHandledDocBodyBlock();
            map.put("articleContent", bodyBlock);

            String handledBase64Block = "";
            if (handler.getDocBase64BlockResults() != null
                    && handler.getDocBase64BlockResults().size() > 0) {
                for (String item : handler.getDocBase64BlockResults()) {
                    handledBase64Block += item + "\n";
                }
            }
            map.put("imagesBase64String", handledBase64Block);

            String xmlimaHref = "";
            if (handler.getXmlImgRefs() != null
                    && handler.getXmlImgRefs().size() > 0) {
                for (String item : handler.getXmlImgRefs()) {
                    xmlimaHref += item + "\n";
                }
            }
            map.put("imagesXmlHrefString", xmlimaHref);

然后导出为ByteArrayOutputStream，这里主要是需要导出多篇文章，然后将文章压缩。

public static ByteArrayOutputStream createWordBaos(Map<String, Object> dataMap, String templateName, ByteArrayOutputStream byteOut){

        WordHtmlGeneratorHelper.handleAllObject(dataMap);
        Writer w=null;
        try {
            Template t = configuration.getTemplate(templateName, "utf-8");
            w = new OutputStreamWriter(byteOut);
            t.process(dataMap, w);
        } catch (Exception ex) {
            ex.printStackTrace();
            throw new RuntimeException(ex);
        } finally {
        if(w != null){
            try {
                w.close();
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    }
        return null;
    }

用ByteArrayOutputStream数组储存多篇文章的ByteArrayOutputStream ,用String数组存储每个word文件的名字，将多个文件流合并到压缩包下载：

public static void downLoadZip(ByteArrayOutputStream[] baoss, String[] fileNames, String zipName, HttpServletRequest request, HttpServletResponse response){
        //压缩包输出流
        ZipArchiveOutputStream zous = null;
        try {
        //压缩包响应输出流
            zous = new ZipArchiveOutputStream(response.getOutputStream());
            zous.setUseZip64(Zip64Mode.AsNeeded);
            //response.setContentType("application/octet-stream");
            //编码文件名并加上后缀(压缩包内部文件名不需要编码)
            String filename = encodeChineseDownloadFileName(request, zipName) + ".zip";
            response.setHeader("Content-disposition", "attachment; filename=" + filename);
            for(int i = 0; i < baoss.length; i++){
                ByteArrayOutputStream baos = baoss[i];
                //给文件名
                String fileName = fileNames[i];
                //下面三行是吧excel的文件以流的形式转为byte[]
                byte[] bytes = baos.toByteArray();
                ArchiveEntry entry = new ZipArchiveEntry(fileName);
                zous.putArchiveEntry(entry);
                zous.write(bytes);
                zous.closeArchiveEntry();
                if (baos != null) {
                    baos.close();
                }
            }
        } catch (IOException e) {
            throw new ASException(FAILED_TO_EXPORT.getCode(), "导出失败", FAILED_TO_EXPORT.getMsg());
        } catch (Exception e) {
            throw new ASException(FAILED_TO_EXPORT.getCode(), "导出失败", FAILED_TO_EXPORT.getMsg());
        } finally {
            try {
                if(zous != null){
                    zous.flush();
                    zous.close();
                }
            } catch (IOException e) {
                throw new ASException(FAILED_TO_EXPORT.getCode(), "导出失败", FAILED_TO_EXPORT.getMsg());
            }
        }
    }

try {
                String fileName = URLEncoder.encode(new StringBuffer(knowledgeDTO.getArticleTitle())
                                .append(DateTimeFormatter.ofPattern("yyyyMMddHHmmss").format(LocalDateTime.now()))
                                .toString()
                        , ExcelData.UTF8) + ".doc";
                fileNameArray[temp] = fileName;

                Configuration cfg = new Configuration();
                cfg.setDirectoryForTemplateLoading(new File(System.getProperty("user.dir") + "/src/main/resources/static"));
                cfg.getTemplate("KnowledgeTemplate.ftl");
            }catch (Exception e){
                throw new AMMSException(ErrorEnum.FAILED_TO_EXPORT.getCode(), "导出知识库失败", ErrorEnum.FAILED_TO_EXPORT.getMsg());
            }

            ByteArrayOutputStream byteOut = new ByteArrayOutputStream();
            WordGeneratorWithFreemarker.createWordBaos(map, "KnowledgeTemplate.ftl", byteOut);
            byteOutArray[temp] = byteOut;
            temp++;

        }

        String zipName = DateTimeFormatter.ofPattern("yyyyMMddHHmmss").format(LocalDateTime.now());
        WordUtil.downLoadZip(byteOutArray, fileNameArray, zipName, request, response);
    }

导出结果如下：

不过目前只能导出base64图片，其他的格式还待进一步研究。