java - Apache POI Word 清理没有样式或不必要标签的 Html

Question

我正在尝试将 Word 文档转换为干净的 html。我正在使用 Apache POI，但它会造成困惑，就像 MS Word 自己的 html 保存方法一样。我想要的是类似 https://html-cleaner.com/ 的东西.
例如，当我尝试转换表格时，我不需要任何宽度属性或其他东西。只是一些不错的 <td>和 <tr>标签可能带有一些 <b> .

有人知道怎么实现吗？顺便说一句，我不是被迫使用 Apache POI，如果您知道任何其他实现 Word 到干净的 html 转换的 Java API，我愿意听取您的建议。

Answer 1

将评论提升为答案....您应该看看 Apache Tika。 Apache Tika 由 Apache POI 提供支持，旨在提供干净、语义上有意义的 HTML，我认为这就是您所追求的

如果您关注Apache Tika example for parsing to XHTML ，你会做类似的事情:

public String parseToHTML() throws IOException, SAXException, TikaException {
  ContentHandler handler = new ToXMLContentHandler();

  AutoDetectParser parser = new AutoDetectParser();
  Metadata metadata = new Metadata();
  try (InputStream stream = ContentHandlerExample.class.getResourceAsStream("test.doc")) {
    parser.parse(stream, handler, metadata);
    return handler.toString();
  }
}

此外，对于测试，您可以只使用 runnable single-jar Tika App cli tool ，将 --xhtml 选项与您的文件一起传递，它会在命令行上返回简单干净的 XHTML