word转html方法调研

最近有需求可能用到word转html，所以前期调研了一番，整理如下。

问题描述

在不明确问题的情况下谈解决方案是不明智的，所以先明确问题：

现在线下有一批word文档，后台提供上传入口，上传后需要将内容解析出来并支持在富文本编辑器中编辑，word文档内有留白，可以在编辑器内填上内容，生成新的数据，原word与新生成的word最终都要已pdf的形式留存。

我是这样分析的：

第一种方案

  1. word上传后需要能在编辑器内编辑，所以需要word转html。

  2. 最终的word需要生成为pdf，也就要求第一步生成的html能保证格式的情况下生成pdf。

第二种方案

早在之前就了解过word生成pdf，所以自然想到能否不通过html，直接word到pdf呢？这样不但可以减少代码的复杂度，也能减少误差，毕竟机器的转换次数越多，误差就越大。

但是根据问题的描述，导入的word其实就是类似于模板，我们需要能编辑，但是这个方法，可能不太方做内容的调整，所以这种方法待定。

word to html

所有方法只讲具体实现，详情可查看官网。

1. unoconv

unoconv这个工具是依赖于LibreOffice或OpenOffice，这两个Office都是基于开源软件的，通常用LibreOffice（可能因为是协议的原因，LibreOffice功能更全面），包括Debian等发行版默认也安装的LibreOffice。

安装LibreOffice最新版

我的是Centos环境，下载的rpm包，解压后使用如下命令安装：

cd dir
yum -y install ./*.rpm

这里没有用rpm -ivh ./*.rpm是因为rpm命令不能解决依赖问题，yum可以帮我们解决。

安装unoconv

官网最下面有链接，直接下载解压，目录里有unoconv命令，直接执行即可。

问题处理：

  1. 执行unoconv命令后：
/opt/libreoffice6.2/program/python.bin: /lib64/libc.so.6: version `GLIBC_2.14' not found (required by /opt/libreoffice6.2/program/libpython3.5m.so.1.0)

看来是LibreOffice依赖于更高版本的glibc，注：glibc是整个系统的基础，轻易不要动。因为我这边是docker环境，而且有备份，所以还是简单的尝试了下：

查看当前glibc版本：

strings /lib64/libc.so.6 | grep GLIBC_

看下yum源里面的版本：

rpm -qa | grep glibc

没有GLIBC_2.14版本，在这个链接下载，下载下来通过这些步骤进行安装（没有备份，谨慎操作）：

cd dir
make build && cd build
../configure --prefix=/usr/local/glibc-2.14
make -j4
sudo make install
export LD_LIBRARY_PATH=/usr/local/glibc-2.14/lib:$LD_LIBRARY_PATH

注：这些步骤我没有完全执行完，因为这个安装非常慢。

glibc不好升级，那就把LibreOffice降级，我的系统glibc的最高版本是2.12，所以重新下载了5.4.7，这个没找到官方提供的说明，完全是凭感觉。

安装完成后，启动office服务，不启动也可以的，基于c/s架构的性能会好一些。

cd dir
./soffice --nologo --headless --accept="socket,host=127.0.0.1,port=8100;urp;StarOffice.ServiceManager" &

启动之后可能会有如下几个问题：

/opt/libreoffice5.4/program/soffice.bin: error while loading shared libraries: libcairo.so.2: cannot open shared object file: No such file or directory

解决方案：

yum install ibus

此时我的思路有点懵逼，看了下yum源有没有这个软件（4.3.7版本），然后就安装了。。。。后来索性有把之前安装的版本卸载了。

之后用启动命令，碰到的几个问题，对应的解决方案：

  1. 问题
javaldx: Could not find a Java Runtime Environment!
Warning: failed to read path from javaldx

解决方案：

yum -y install libreoffice-base
  1. 问题
/usr/lib64/libreoffice/program/soffice.bin X11 error: Can't open display

解决方案：

yum install libreoffice-headless
  1. pdf乱码，后来想直接转换为pdf用来着，此时我已经焦虑了，看下面的命令就知道，哈哈。
yum -y install libreoffice*
yum groupinstall chinese-support

到目前为止，可能碰到的问题都解决了，还是进行转换：

cd dir
./unoconv --connection "socket,host=127.0.0.1,port=8100;urp;StarOffice.ComponentContext" -f html -o a.html a.docx

生成了html，迫不及待看一眼什么样，样式基本都在，但是源文件是在太乱了，放在富文本编辑器内表现还可以，但是通过tcpdf生成的pdf基本就没法看了。至于为什么用tcpdf来生成pdf，首先是因为项目当前用的就是tcpdf，切换有一定的成本，二来就是我们不能为了解决这个问题容忍凌乱的html代码，无论从数据存储还是后期维护，都不能这样做。

自动生成的代码不行，就按文本进行干净化处理，但是考虑到源word文档的多样性，可能会出现各种小问题，所以这样方案也pass掉了。

2. pandoc

中文文档

安装：

yum -y install pandoc

执行命令转换：

pandoc zz.docx -o a.html

报错：

pandoc: zz.docx: hGetContents: invalid argument (invalid UTF-8 byte sequence)

这个问题没有解决，可能是版本的问题，又尝试下载了最新版本，在这，解压后的bin目录下的命令可以直接执行，结果正常。

在mac下也安装试了下：

安装：

brew install pandoc
brew install pandoc-citeproc

同样执行上面的转换命令，结果一致。

也可以执行这个命令，可以添加自定义的头：

pandoc -s zz.docx -o a.html

出现如下错误：

[WARNING] This document format requires a nonempty <title> element.
  Please specify either 'title' or 'pagetitle' in the metadata,
  e.g. by using --metadata pagetitle="..." on the command line.
  Falling back to 'zz'

根据提示应该是需要补充个标题，用下面这个命令解决：

pandoc -s zz.docx --metadata title:"title" -o a.html

成功了，同样还是迫不及待，输出结果代码相比unoconv，代码少了很多，代价就是丢失了些样式，比如字体大小，左右对其这种基本的页没有了，总体来说仍然不能使用。

3. phpword

试了以上两种命令式的方法，均不能解决问题，所以尝试下直接用php扩展来处理。

phpword默认使用composer来安装，但是我们项目没有使用composer环境，可以到这个链接下载完整的require文件包，直接在项目引用即可。

如下php代码：

require_once APP_PATH . '/classes/PHPWord/vendor/autoload.php';
$phpWord = \PhpOffice\PhpWord\IOFactory::load('a.docx');
$xmlWriter = \PhpOffice\PhpWord\IOFactory:: createWriter($phpWord, "HTML");
$xmlWriter->save('a.html');

执行上面的代码就能生成html了，依然是迫不及待，生成的html跟unoconv类似，代码很多，转换为pdf格式不完美，所以任然不是很好的解决方案。

总结

所以在尝试了unoconv、pandoc以及phpword之后，都不能得到相对简洁的对tcpdf友好的html，目前还没有尝试过付费方案，如果有必要，可以考虑再调研一下。

其他想法

又想到了word直接转pdf，首先对于word模板文档，我们可以把留白用phpword读取出来（留白有特殊标识），单独配置一个表单填写留白，用户添加完成后，再由phpword写入进去，最终由unoconv生成pdf。

这样富文本编辑器可以去掉了，填写好的内容删改的时候，直接改表单内容就行。

貌似也是一种方案。

人是活的，需求可以沟通，在保证投入与产出成正比的情况下，各种方案都值得沟通与尝试。

（完）