java - 将 .docx 转换为 html，我收到不可读的文本

Question

Possible Duplicate:
Convert Word doc to HTML programmatically in Java

我有一个程序，它接受 .docx 文件并作为 .html 文件打开，但是当转换为 html 时，我得到的只是不可读的字符串。我需要这个文件的 html，因为我需要稍后解析它。当我使用下面的方法打开文件时，我得到不可读的文本，例如: úL]iN?#tBd!?^ý ?e"0©?®??AäúsIp?¸ü?D?ÂÓâœ\Dâ>½? ?Eâcr&Æl\Fâÿ2qJ?U ??IúK&þIb

    FileInputStream fileInput = null;
    BufferedInputStream myBuffer = null;
    DataInputStream dataInput = null;
    fileInput = new FileInputStream(selectedFile);
    myBuffer = new BufferedInputStream(fileInput);
    dataInput = new DataInputStream(myBuffer);
    StringBuilder nHtmlText = new StringBuilder();
    while (dataInput.available() != 0) {
        System.out.println(dataInput.readLine());
        nHtmlText.append(dataInput.readLine());
    }
    htmlText = nHtmlText.toString();

有什么办法可以得到一个干净可读的 html 文件来解析和保存吗？

Answer 1

没有。

您正在阅读 docx 文件的原始内容，这不是 html，而是压缩的 xml - 请参阅 here ，您需要一些东西来将 docx 转换为 html。两者有很大不同。