一、实现功能

1、doc、docx都可转换为PDF

2、word含有中文的转换为PDF后可显示

二、转换步骤

word —> html —> pdf

三、使用工具（Jar包）

1、poi、itext（如下maven配置）

作用：poi：用于将word转换为html；itext：将html转换为pdf

 

poi配置

itext配置

poi、itext版本

 

2、jsoup（maven配置如下）

作用：poi可以将以docx结尾的word完美转换为html，但是将以doc结尾的word转换为html后meta、img等标签不闭合，导致使用itext将生成的html转换为pdf时报错，因此需要使用jsoup.parse方法使html规范。

jsoup配置

四、上代码

1、word转html

（1）doc结尾word（相对复杂）

 

doc结尾word转html

（2）docx结尾word

 

docx结尾word转html

（3）使用jsoup规范html并保存到磁盘

 

jsoup规范html

2、html转pdf

 

html转pdf

五、问题

太棒啦，word终于可以转换成pdf（可以升值加薪啦????）

 

打脸了吧

别高兴太早，打开doc结尾的word转换的pdf会发现所有的中文都不显示，只有数字和英文，本来十几页的word最后剩下几页；打开docx结尾的word转换的pdf会发现更悲剧，什么也不显示，一个空白的文档。捂着脸继续研究。。。。。。

表急，听我慢慢道来

1、中文显示问题

原因：

中文在pdf中不显示是因为XMLWorkHelper的parseXHtml方法在执行过程中使用默认字体，而该字体不包含中文，因此不显示中文。

解决方案：

parseXHtml方法还有一个重载方法，其中一个参数是FontProvider，FontProvider是一个接口，扩展接口使其拥有中文显示功能（如下图）。

 

parseXHtml重载方法

 

扩展类（宋体字）

项目中我的扩展类中使用宋体字（正式word文档中使用该字体较多，simsun代表宋体），BaseFont.createFont的设置可以参考该文章http://blog.****.net/ol_beta/article/details/5926451，这里不再赘述。

至此，中文不显示问题已解决。

2、docx结尾word转pdf空白

原因：

打开docx结尾的word转化的html文件，发现body中有一个或多个div包裹内层标签，这些div设置了style的width值，width过大导致转换的pdf空白。

 

罪魁祸首

解决方案：

我用的方法最简单粗暴，在jsoup格式化完成后找到style然后替换为空。

 

如style有width，替换之

注：该处的div指的是body中最直接的子div，而这些div中的又包含的div不影响。