1、功能需求
1.1、需求明細
1、將word文本轉換爲html
2、提取三級標題下的H5內容（包括表格、圖片）
3、將三級標題內容提取爲【一級類型】、【二級類型】
1.2、原word文件樣式
參考樣例文件：wordSample.docx 提取碼：u794
2、設計思路
2.1、利用github開源項目：java-mammoth 實現word2html功能
java-mammoth 項目github鏈接：https://github.com/mwilliamson/java-mammoth
pom配置信息：
<dependency>
<groupId>org.zwobble.mammoth</groupId>
<artifactId>mammoth</artifactId>
<version>1.4.1</version>
</dependency>
2.2、生成的html文件中一級標題、二級標題、三級標題分別爲h1、h2、h3標籤；利用標籤的差異進行字符串處理獲取三級標題H5內容
1、接收處理後的段落信息
public class HtmlRecord {
private String type1;
private String type2;
private String key;
private String content;
public String getType1() {
return type1;
}
public void setType1(String type1) {
this.type1 = type1;
}
public String getType2() {
return type2;
}
public void setType2(String type2) {
this.type2 = type2;
}
public String getKey() {
return key;
}
public void setKey(String key) {
this.key = key;
}
public String getContent() {
return content;
}
public void setContent(String content) {
this.content = content;
}
}
2、html拆分處理邏輯
public static void main(String[] args) {
try{
DocumentConverter converter = new DocumentConverter();
Result<String> result = converter.convertToHtml(new File("D:\\abc.docx"));
String html = result.getValue(); // The generated HTML
getHeadItems(html);
Set<String> warnings = result.getWarnings();
}catch (Exception e){
e.printStackTrace();
}
}
/**
* 獲取三級標題內容列表
* @param html word轉換生成的html內容
* @return
*/
private static List<HtmlRecord> getHeadItems(String html){
List<HtmlRecord> records = new ArrayList<>();
// 當前一級標題名稱
String h1Name = "";
// 當前二級標題名稱
String h2Name = "";
// 當前三級標題名稱
String h3Name = "";
// 當前三級標題對應內容
String h3Content = "";
// 上一級標題結束下標
int lastEndIndex = 0;
// 上次標籤爲三級標題
boolean isH3Tag = false;
//String html3 = "<h1>dafa</h1><h2>123456</h2><h2>ddddd</h2><h3>aaaa</h3><a id=\"_Toc518917206\"></a>三、合規管理 <h1><p><strong>雲南國際信託有限公司</strong></p></h1><h3>33333</h3><a id=\"_Toc518917206\"></a>三、合規管理";
// 標題標籤正則匹配式
Pattern pattern = Pattern.compile("<h[1-3]{1}>(.*?)</[h][1-3]{1}>");
Matcher matcher = pattern.matcher(html);
// 匹配任意三級標題前部分
while(matcher.find()){
//boolean result2 = matcher2.find();
// 三級標題前部分開始下標
int startIndex = matcher.start();
// 三級標題後部分開始下標
int endIndex = matcher.end();
// 獲取標題標籤之間內容
String tagContent = html.substring(startIndex + 4,endIndex-5);
// 獲取標題標籤名稱
String tag = matcher.group().substring(0,4);
// 上一次爲三級標題標籤
if(isH3Tag){
// 上次標籤後部分結束下標 - 本次標籤前部分開始下標 之間的內容
h3Content = html.substring(lastEndIndex, startIndex);
HtmlRecord htmlRecord = new HtmlRecord();
htmlRecord.setType1(getOnlyHeadContent(h1Name));
htmlRecord.setType2(getOnlyHeadContent(h2Name));
htmlRecord.setKey(getOnlyHeadContent(h3Name));
String dateStr = getDateStrFromHeadStr(h3Name);
htmlRecord.setPublishDt(dateStr);
htmlRecord.setContent(h3Content);
htmlRecord.setPublishDept("合規部門");
records.add(htmlRecord);
}
isH3Tag = false;
if(Objects.equals(tag, "<h1>")){
// 當前爲一級標題，重置一級標題名和二級標題名
h1Name = tagContent;
h2Name = "";
}else if(Objects.equals(tag, "<h2>")){
// 當前爲二級標題，重置二級標題名
h2Name =tagContent;
}else{
// 當前爲三級標題，重置二級標題名
h3Name = tagContent;
isH3Tag = true;
// 獲取三級標題後部分結束下標
lastEndIndex = endIndex;
}
}
// 處理最後一個三級標題內容
String tagContent = html.substring(lastEndIndex);
HtmlRecord htmlRecord = new HtmlRecord();
htmlRecord.setType1(getOnlyHeadContent(h1Name));
htmlRecord.setType2(getOnlyHeadContent(h2Name));
htmlRecord.setKey(getOnlyHeadContent(h3Name));
String dateStr = getDateStrFromHeadStr(h3Name);
htmlRecord.setPublishDt(dateStr);
htmlRecord.setContent(tagContent);
records.add(htmlRecord);
htmlRecord.setPublishDept("合規部門");
return records;
}
/**
* 獲取標題文本內容
* @param headHtml 標題h5內容
* @return
*/
private static String getOnlyHeadContent(String headHtml){
if(StringUtils.isBlank(headHtml)){
return "";
}
String headContentStr = "";
Pattern pattern = Pattern.compile("<a[^>]*>([^<]*)</a>");
Matcher matcher = pattern.matcher(headHtml);
while(matcher.find()){
String content = matcher.group();
System.out.println(content);
headHtml = headHtml.replace(content,"");
}
headContentStr = headHtml;
return headContentStr;
}
/**
* 從標題中抽取時間信息
* @param headStr 標題內容
* @return
*/
private static String getDateStrFromHeadStr(String headStr){
if(StringUtils.isBlank(headStr)){
return "";
}
String dateStr = "";
Pattern dtPattern = Pattern.compile("20[0-9]{2}年[1-9]{1,2}月[1-9]{1,2}日");
Matcher dtMatcher = dtPattern.matcher(headStr);
if(dtMatcher.find()){
dateStr = dtMatcher.group();
dateStr = dateStr.replace("年","-");
dateStr = dateStr.replace("月","-");
dateStr = dateStr.replace("日","");
System.out.println(dateStr);
}
return dateStr;
}
3、設計不足之處
3.1、 java-mammoth 轉換生成html 中表格沒有邊豎線，這點在項目也有說明
解決方式：不使用pom方式引入jar包； 手動下載項目整合到所需項目中
調整internal/conversion/DocumentToHtml中visit(Table table, Context context)代碼，添加border樣式即可實現表格的邊框效果
