SpringBoot实现Word转PDF/TXT

     背景

        研发工作中难免会遇到一些奇奇怪怪的需求，就比如最近，客户提了个新需求：上传一个WORD文档，要求通过系统把该文档转换成PDF和TXT。客户的需求是没得商量的，必须实现！承载着客户的期望，我开始在网上找相关的资料。没曾想，还真有开源的依赖专门处理这类问题，咱们一起来看看吧！

     实践

     1、下载和引入Jar包

        要实现WORD到PDF/TXT的转换，需要引入以下几个Jar包：

        <dependency>
            <groupId>com.aspose</groupId>
            <artifactId>aspose-words</artifactId>
            <version>19.1</version>
            <scope>system</scope>
            <systemPath>${pom.basedir}/src/main/resources/lib/aspose-words-19.1.jar</systemPath>
        </dependency>
        <!-- https://mvnrepository.com/artifact/org.apache.pdfbox/pdfbox-tools -->
        <dependency>
            <groupId>org.apache.pdfbox</groupId>
            <artifactId>pdfbox</artifactId>
            <version>3.0.3</version>
        </dependency>

        其中，aspose-words包不太好找，在阿里云镜像库中都没有，需要在网上下载后，上传到本地的私服库，或者用上文中的方式直接在lib中加载。我在网上找了这个地址，可以查看和下载相关包：Aspose.Words 24.4

      2、代码实现

        将依赖包引入之后，编写以下Java代码：

package com.leixi.fileTrans.utils;

import com.aspose.words.SaveFormat;
import java.io.BufferedWriter;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileOutputStream;
import java.io.OutputStreamWriter;
import com.aspose.words.Document;
import org.apache.pdfbox.Loader;
import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;

/**
 *
 * @author leixiyueqi
 * @since 2024/08/26 19:39
 */
public class FileTransUtils {

    public static void main(String[] args) throws Exception {
        File file = new File("D:\\upload\\SAAS.docx");
        String output =  "D:\\upload\\SAAS.pdf";
        doc2pdf(file, output);
        System.out.println("测度结束");
    }


    public static void doc2pdf(File file, String outPath) throws Exception{
        FileInputStream fis = new FileInputStream(file);
        Document document = new Document(fis);
        if (!checkDirectory(outPath)) {
            throw new Exception("创建目录失败");
        }
        document.save(outPath, SaveFormat.PDF);
        System.out.println(String.format("WORD转换Pdf成功: %s", outPath));
        document.save(outPath.replace(".pdf", ".txt"), SaveFormat.TEXT);
        System.out.println(String.format("WORD转换Txt成功: %s", outPath.replace(".pdf", ".txt")));
        document.save(outPath.replace(".pdf", ".html"), SaveFormat.HTML);
        System.out.println(String.format("WORD转换html成功: %s", outPath.replace(".pdf", ".html")));
        pdfToTxt(new File(outPath), new File(outPath.replace(".pdf", "ByPdf.txt")));
        System.out.println(String.format("通过Pdf转换Txt成功: %s", outPath.replace(".pdf", "ByPdf.txt")));
    }

    public static boolean checkDirectory(String filePath) {
        File file = new File(filePath);
        if (file.isDirectory()) {
            return true;
        } else {
            File dir = file.getParentFile();
            if (dir != null && !dir.isDirectory() && !dir.mkdirs()) {
                System.out.println(String.format("创建目录%s失败:", dir.getAbsolutePath()));
                return false;
            } else {
                return true;
            }
        }
    }
    public static void pdfToTxt(File input, File output) {
        BufferedWriter wr = null;
        try {
            PDDocument pd = Loader.loadPDF(input);
            pd.save("CopyOf" + input.getName().split("\\.")[0] + ".pdf");
            PDFTextStripper stripper = new PDFTextStripper();
            wr = new BufferedWriter(new OutputStreamWriter(new FileOutputStream(output)));
            stripper.writeText(pd, wr);
            if (pd != null) {
                pd.close();
            }
            wr.close();
        } catch (Exception e) {
            e.printStackTrace();
        }finally {
            System.out.println("PDF转换Txt成功");
        }
    }
}

      3、测试

        先创建一个WORD文件，放在d:\upload\文件夹下：

        然后执行Java代码中的main方法，结果如下：

        从结果来看，咱们的转换测试是非常成功的。

     后记

        这次的实践的成果还是十分有价值的，它不仅可以用于项目中，还可以应用于工作生活中，比如博主平常习惯看电子书，在网上收集到的很多资料都是PDF格式的，怎么办？用程序一转换就行了。

        但不得不说的是，这只是一个非常初级的，学习性的Demo，实际在项目中，要想实现PDF转换为TXT或其他文件，其实十分麻烦。要针对PDF文件是文字居多，还是图片/表格居多，采用不同的办法；转换的时候，还要计算图片的偏转角度，去除水印，去除格式字符等诸多操作，十分繁琐。博主本来想深入学习一下的，奈何时间有限，只能浅尝辄止。在此留下相关线索，将来有机会了再研究下：

        1、aspose-cells：类似于aspose-word， 可以将表格转换为文本格式。本质上应该可以解决在html页面上对Excel进行操作的需求。

        2、huaweicloud-sdk-ocr：华为云识别，可以实现图片/PDF中的文字识别和文字提取，将其转换为可编辑的文件。相关教程和用例可见：华为云Java SDK_文字识别 OCR

        3、spire.doc.free：这个依赖也可以实现文档与PDF/网页的互转。

        最后，感谢大佬提供的教程：【Java】将PDF输出为Text/Excel，让我获益匪浅，感激不尽。