Java 通过TIKA将word文档转换为带有嵌入图像的HTML

我刚到提卡。我尝试使用Tika将Microsoft word文档转换为HTML。我正在使用TikaOnDotNet包装器在.Net框架上使用TIKA。我的转换代码如下所示：

        byte[] file = Files.toByteArray(new File(@"myPath\document.doc"));
        AutoDetectParser tikaParser = new AutoDetectParser();

        ByteArrayOutputStream output = new ByteArrayOutputStream();
        SAXTransformerFactory factory = (SAXTransformerFactory)TransformerFactory.newInstance();
        TransformerHandler handler = factory.newTransformerHandler();
        handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "html");
        handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "yes");
        handler.getTransformer().setOutputProperty(OutputKeys.ENCODING, "UTF-8");
        handler.setResult(new StreamResult(output));

        ExpandedTitleContentHandler handler1 = new ExpandedTitleContentHandler(handler);

        tikaParser.parse(new ByteArrayInputStream(file), handler1, new Metadata());


        File ofile = new File(@"C:\toHtml\text.html");
        ofile.createNewFile();
        DataOutputStream stream = new DataOutputStream(new FileOutputStream(ofile));
        output.writeTo(stream);

除了嵌入的图像，其他一切都正常工作。生成的HTML包含图像标记，如：

<img src="embedded:image2.wmf" alt="image2.wmf"/>

---

但图像源不存在。请告诉我，

学分归@Gagravarr

请注意，这是一个简单的代码实现，原始代码可以在问题注释中找到

此实现基于TikaOnDotNet包装器

public class DocToHtml
{

    private TikaConfig config = TikaConfig.getDefaultConfig();
    public void Convert()
    {

        byte[] file = Files.toByteArray(new File(@"filename.doc"));
        AutoDetectParser tikaParser = new AutoDetectParser();

        ByteArrayOutputStream output = new ByteArrayOutputStream();
        SAXTransformerFactory factory = (SAXTransformerFactory)TransformerFactory.newInstance();
        var inputStream = new ByteArrayInputStream(file);
        //           ToHTMLContentHandler handler = new ToHTMLContentHandler();
        var metaData = new Metadata();
        EncodingDetector encodingDetector = new UniversalEncodingDetector();
        var encode = encodingDetector.detect(inputStream, metaData) ?? new UTF_32();
        TransformerHandler handler = factory.newTransformerHandler();
        handler.getTransformer().setOutputProperty(OutputKeys.METHOD, "html");
        handler.getTransformer().setOutputProperty(OutputKeys.INDENT, "yes");
        handler.getTransformer().setOutputProperty(OutputKeys.ENCODING, encode.toString());
        handler.setResult(new StreamResult(output));

        ContentHandler imageRewriting = new ImageRewritingContentHandler(handler); 

        //  ExpandedTitleContentHandler handler1 = new ExpandedTitleContentHandler(handler);
        ParseContext context = new ParseContext();
        context.set(typeof(EmbeddedDocumentExtractor), new FileEmbeddedDocumentEtractor());

        tikaParser.parse(inputStream, imageRewriting, new Metadata(), context);


        byte[] array =  output.toByteArray();

       System.IO.File.WriteAllBytes(@"C:\toHtml\text.html", array);

    }


    private class ImageRewritingContentHandler : ContentHandlerDecorator
    {
        public ImageRewritingContentHandler(ContentHandler handler) : base(handler)
        {
        }

        public override void startElement(string uri, string localName, string name, Attributes origAttrs)
        {
            if ("img".Equals(localName))
            {
                AttributesImpl attrs;
                if (origAttrs is AttributesImpl)
                    attrs = (AttributesImpl)origAttrs;
                else
                    attrs = new AttributesImpl(origAttrs);



                for (int i = 0; i < attrs.getLength(); i++)
                {
                    if ("src".Equals(attrs.getLocalName(i)))
                    {
                        String src = attrs.getValue(i);
                        if (src.StartsWith("embedded:"))
                        {
                            var newSrc = src.Replace("embedded:", @"images\");

                            attrs.setValue(i, newSrc);
                        }
                    }
                }
                attrs.addAttribute(null, "width", "width","width", "100px");
                base.startElement(uri, localName, name, attrs);
            }
            else
                base.startElement(uri, localName, name, origAttrs);
        }
    }

    private class FileEmbeddedDocumentEtractor : EmbeddedDocumentExtractor
    {
        private int count = 0;
        public bool shouldParseEmbedded(Metadata m)
        {
            return true;
        }

        public void parseEmbedded(InputStream inputStream, ContentHandler contentHandler, Metadata metadata, bool outputHtml)
        {
            Detector detector = new DefaultDetector();
            string name = metadata.get("resourceName");
            MediaType contentType = detector.detect(inputStream, metadata);
            if (contentType.getType() != "image") return;
            var embeddedFile = name;
            File outputFile = new File(@"C:\toHtml\images", embeddedFile);
            try
            {
                using (FileOutputStream os = new FileOutputStream(outputFile))
                {
                    var tin = inputStream as TikaInputStream;
                    if (tin != null)
                    {
                        if (tin.getOpenContainer() != null && tin.getOpenContainer() is DirectoryEntry)
                        {
                            POIFSFileSystem fs = new POIFSFileSystem();

                            fs.writeFilesystem(os);
                        }
                        else
                        {
                            IOUtils.copy(inputStream, os);
                        }
                    }
                }
            }
            catch (Exception ex)
            {

                throw;
            }
        }
    }
}

公共类DocToHtml
{
私有TikaConfig config=TikaConfig.getDefaultConfig（）；
公共void Convert（）
{
字节[]文件=Files.toByteArray（新文件（@“filename.doc”）；
AutoDetectPasser tikaParser=新的AutoDetectPasser（）；
ByteArrayOutputStream输出=新建ByteArrayOutputStream（）；
SAXSTransformerFactory=（SAXSTransformerFactory）TransformerFactory.newInstance（）；
var inputStream=new ByteArrayInputStream（文件）；
//ToHTMLContentHandler=新的ToHTMLContentHandler（）；
var metaData=新元数据（）；
EncodingDetector EncodingDetector=新的通用编码检测器（）；
var encode=encodingDetector.detect（inputStream，元数据）？？新的UTF_32（）；
TransformerHandler=factory.newTransformerHandler（）；
handler.getTransformer（）.setOutputProperty（OutputKeys.METHOD，“html”）；
handler.getTransformer（）.setOutputProperty（OutputKeys.INDENT，“是”）；
handler.getTransformer（）.setOutputProperty（OutputKeys.ENCODING，encode.toString（））；
setResult（新的StreamResult（输出））；
ContentHandler imageRewriting=新的ImageRewritingContentHandler（handler）；
//ExpandedTitleContentHandler handler1=新的ExpandedTitleContentHandler（handler）；
ParseContext=新的ParseContext（）；
set（typeof（EmbeddedDocumentExtractor），新文件EmbeddedDocumentTractor（））；
parse（inputStream，imageRewriting，new Metadata（），context）；
字节[]数组=输出。toByteArray（）；
System.IO.File.writealBytes（@“C:\toHtml\text.html”，数组）；
}
私有类ImageRewritingContentHandler:ContentHandlerDecorator
{
公共图像重写ContentHandler（ContentHandler）：基（handler）
{
}
public override void startElement（字符串uri、字符串localName、字符串名称、属性origAttrs）
{
if（“img”.Equals（localName））
{
属性impl attrs；
如果（origAttrs是AttributesImpl）
attrs=（AttributesImpl）origAttrs；
其他的
attrs=新属性impl（origAttrs）；
对于（int i=0；i

您是否忘记在

ParseContext

上设置一个合适的参数来指定要保存哪些资源以及保存在哪里？@Gagravarr您能给我举个例子吗？我认为这是主要原因。

TikaCLI

有一个，例如@Gagravarr谢谢，我设法从doc中提取图像，但在HTMl中，如何更改每个提取图像的src？您也需要自己的自定义SAX处理程序。我能想到的最好的例子