transformar - ¿Cómo convierto un.docx a html usando asp.net?

transformar xml a xslt

Question

Word 2007 guarda sus documentos en formato .docx, que en realidad es un archivo zip con un montón de cosas, incluido un archivo xml con el documento.

Quiero poder tomar un archivo .docx y colocarlo en una carpeta en mi aplicación web asp.net y hacer que el código abra el archivo .docx y mostrar el documento (xml parte del) como una página web.

He estado buscando en la web más información sobre esto, pero hasta ahora no he encontrado mucho. Mis preguntas son:

1. ¿(A) usaría XSLT para transformar el XML a HTML, o (b) usaría bibliotecas de manipulación xml en .net (como XDocument y XElement en 3.5) para convertir a HTML o (c) otro?
2. ¿Conoces alguna biblioteca / proyecto de código abierto que haya hecho esto y que pueda utilizar como punto de partida?

¡Gracias!

Answer 1

Word 2007 tiene una API que puede usar para convertir a HTML. Aquí hay una publicación que habla de ello http://msdn.microsoft.com/en-us/magazine/cc163526.aspx . Puede encontrar documentación sobre la API, pero recuerdo que hay una función de conversión a HTML en la API.

Answer 2

Pruebe esta publicación ? No lo sé, pero podría ser lo que estás buscando.

Answer 3

Este código ayudará a convertir el archivo .docx a texto

function read_file_docx($filename){

    $striped_content = '''';
    $content = '''';

    if(!$filename || !file_exists($filename)) { echo "sucess";}else{ echo "not sucess";}

    $zip = zip_open($filename);

    if (!$zip || is_numeric($zip)) return false;

    while ($zip_entry = zip_read($zip)) {

        if (zip_entry_open($zip, $zip_entry) == FALSE) continue;

        if (zip_entry_name($zip_entry) != "word/document.xml") continue;

        $content .= zip_entry_read($zip_entry, zip_entry_filesize($zip_entry));

        zip_entry_close($zip_entry);
    }// end while

    zip_close($zip);

    //echo $content;
    //echo "<hr>";
    //file_put_contents(''1.xml'', $content);     

    $content = str_replace(''</w:r></w:p></w:tc><w:tc>'', " ", $content);
    $content = str_replace(''</w:r></w:p>'', "/r/n", $content);
     //header("Content-Type: plain/text");


    $striped_content = strip_tags($content);


      $striped_content = preg_replace("/[^a-zA-Z0-9/s/,/./-/n/r/t@///_/(/)]/","",$striped_content);

    echo nl2br($striped_content); 
}

Answer 4

Estoy usando Interop. Es algo problamático pero funciona bien en la mayoría de los casos.

using System.Runtime.InteropServices;
using Microsoft.Office.Interop.Word;

Este devuelve la lista de la ruta de los documentos convertidos html

public List<string> GetHelpDocuments()
    {

        List<string> lstHtmlDocuments = new List<string>();
        foreach (string _sourceFilePath in Directory.GetFiles(""))
        {
            string[] validextentions = { ".doc", ".docx" };
            if (validextentions.Contains(System.IO.Path.GetExtension(_sourceFilePath)))
            {
                sourceFilePath = _sourceFilePath;
                destinationFilePath = _sourceFilePath.Replace(System.IO.Path.GetExtension(_sourceFilePath), ".html");
                if (System.IO.File.Exists(sourceFilePath))
                {
                    //checking if the HTML format of the file already exists. if it does then is it the latest one?
                    if (System.IO.File.Exists(destinationFilePath))
                    {
                        if (System.IO.File.GetCreationTime(destinationFilePath) != System.IO.File.GetCreationTime(sourceFilePath))
                        {
                            System.IO.File.Delete(destinationFilePath);
                            ConvertToHTML();
                        }
                    }
                    else
                    {
                        ConvertToHTML();
                    }

                    lstHtmlDocuments.Add(destinationFilePath);
                }
            }


        }
        return lstHtmlDocuments;
    }

Y este para convertir doc a html.

private void ConvertToHtml()
    {
        IsError = false;
        if (System.IO.File.Exists(sourceFilePath))
        {
            Microsoft.Office.Interop.Word.Application docApp = null;
            string strExtension = System.IO.Path.GetExtension(sourceFilePath);
            try
            {
                docApp = new Microsoft.Office.Interop.Word.Application();
                docApp.Visible = true;

                docApp.DisplayAlerts = WdAlertLevel.wdAlertsNone;
                object fileFormat = WdSaveFormat.wdFormatHTML;
                docApp.Application.Visible = true;
                var doc = docApp.Documents.Open(sourceFilePath);
                doc.SaveAs2(destinationFilePath, fileFormat);
            }
            catch
            {
                IsError = true;
            }
            finally
            {
                try
                {
                    docApp.Quit(SaveChanges: false);

                }
                catch { }
                finally
                {
                    Process[] wProcess = Process.GetProcessesByName("WINWORD");
                    foreach (Process p in wProcess)
                    {
                        p.Kill();
                    }
                }
                Marshal.ReleaseComObject(docApp);
                docApp = null;
                GC.Collect();
            }
        }
    }

El asesinato de la palabra no es divertido, pero no puede dejarlo colgado allí y bloquear a otros, ¿verdad?

En la web / html, renderizo html en un iframe.

Hay un menú desplegable que contiene la lista de documentos de ayuda. El valor es la ruta a la versión html y el texto es el nombre del documento.

private void BindHelpContents()
    {
        List<string> lstHelpDocuments = new List<string>();
        HelpDocuments hDoc = new HelpDocuments(Server.MapPath("~/HelpDocx/docx/"));
        lstHelpDocuments = hDoc.GetHelpDocuments();
        int index = 1;
        ddlHelpDocuments.Items.Insert(0, new ListItem { Value = "0", Text = "---Select Document---", Selected = true });

        foreach (string strHelpDocument in lstHelpDocuments)
        {
            ddlHelpDocuments.Items.Insert(index, new ListItem { Value = strHelpDocument, Text = strHelpDocument.Split(''//')[strHelpDocument.Split(''//').Length - 1].Replace(".html", "") });
            index++;
        }
        FetchDocuments();

    }

en el índice seleccionado cambiado, se renovó para enmarcar

    protected void RenderHelpContents(object sender, EventArgs e)
    {
        try
        {
            if (ddlHelpDocuments.SelectedValue == "0") return;
            string strHtml = ddlHelpDocuments.SelectedValue;
            string newaspxpage = strHtml.Replace(Server.MapPath("~/"), "~/");
            string pageVirtualPath = VirtualPathUtility.ToAbsolute(newaspxpage);// 
            documentholder.Attributes["src"] = pageVirtualPath;
        }
        catch
        {
            lblGError.Text = "Selected document doesn''t exist, please refresh the page and try again. If that doesn''t help, please contact Support";
        }
    }

Answer 5

Escribí mammoth.js , que es una biblioteca de JavaScript que convierte archivos docx a HTML. Si desea hacer el procesamiento del lado del servidor en .NET, también hay una versión .NET de Mammoth disponible en NuGet .

Mammoth intenta producir HTML limpio al observar información semántica, por ejemplo, mapear estilos de párrafo en Word (como el Heading 1 ) a etiquetas y estilos apropiados en HTML / CSS (como <h1> ). Si quieres algo que produzca una copia visual exacta, entonces Mammoth probablemente no sea para ti. Si tiene algo que ya está bien estructurado y desea convertirlo en HTML ordenado, Mammoth podría hacer el truco.