java - Apache POI HWPF - 将 doc 文件转换为 pdf 时出现问题

Question

我目前正在使用 apache poi 进行 Java 项目。 现在在我的项目中我想将 doc 文件转换为 pdf 文件。转换成功完成，但我只得到 pdf 中的文本，没有任何文本样式或文本颜色。 我的 pdf 文件看起来像黑白的。虽然我的文档文件是彩色的并且具有不同样式的文本。

这是我的代码，

 POIFSFileSystem fs = null;  
 Document document = new Document(); 

 try {  
     System.out.println("Starting the test");  
     fs = new POIFSFileSystem(new FileInputStream("/document/test2.doc"));  

     HWPFDocument doc = new HWPFDocument(fs);  
     WordExtractor we = new WordExtractor(doc);  

     OutputStream file = new FileOutputStream(new File("/document/test.pdf")); 

     PdfWriter writer = PdfWriter.getInstance(document, file);  

     Range range = doc.getRange();
     document.open();  
     writer.setPageEmpty(true);  
     document.newPage();  
     writer.setPageEmpty(true);  

     String[] paragraphs = we.getParagraphText();  
     for (int i = 0; i < paragraphs.length; i++) {  

         org.apache.poi.hwpf.usermodel.Paragraph pr = range.getParagraph(i);
        // CharacterRun run = pr.getCharacterRun(i);
        // run.setBold(true);
        // run.setCapitalized(true);
        // run.setItalic(true);
         paragraphs[i] = paragraphs[i].replaceAll("\\cM?\r?\n", "");  
     System.out.println("Length:" + paragraphs[i].length());  
     System.out.println("Paragraph" + i + ": " + paragraphs[i].toString());  

     // add the paragraph to the document  
     document.add(new Paragraph(paragraphs[i]));  
     }  

     System.out.println("Document testing completed");  
 } catch (Exception e) {  
     System.out.println("Exception during test");  
     e.printStackTrace();  
 } finally {  
                 // close the document  
    document.close();  
             }  
 }  

请帮助我。

提前致谢。

Answer 1

如果您查看 Apache Tika，就会发现有一个从 HWPF 文档中读取一些样式信息的好示例。 Tika 中的代码根据 HWPF 内容生成 HTML，但您应该会发现非常相似的内容适用于您的情况。

Tika 类是 https://svn.apache.org/repos/asf/tika/trunk/tika-parsers/src/main/java/org/apache/tika/parser/microsoft/WordExtractor.java

关于 Word 文档需要注意的一件事是，任何一个 Character Run 中的所有内容都应用了相同的格式。因此，段落由一个或多个字符串组成。某些样式应用于段落，其他部分则在运行中完成。根据您感兴趣的格式，它可能位于段落或运行中。