将 Html 导出为 Docx
虽然在几年前就完成了题库系统,并使用 MathJax 实现了数学公式在网页上的显示,但题库的另一个重要功能——试卷的导出功能一直未能实现,主要的困难在于如何将 MathJax 公式转换为 word 的公式。
曾经试过 pandoc,先将Html转换为Markdown,再将 Markdown 转换为 docx 能够成功,但很多细节不是很完美,特别是没能解决图像和表格的问题。
也曾研究过 Aspose.Words,但未付费用户有功能限制,没有深入研究下去。
高考之后有了点空闲时间,花了大约三个星期实现了题库的导出功能。
第一个星期构造前端,使用 sessionStorage 处理购物篮,主要的参考文章是 使用jQuery和Session storage构建客户端购物车系统;使用 Sortable 插件实现了题目的拖动功能。
后两个星期构造后端,使用的开发工具为 Visual Studio Community 2017,框架为 Asp.Net MVC,核心组件为 Open XML SDK 2.7 和 Open-Xml-PowerTools 4.3。
要把 Html 转换为 docx,Open-Xml-PowerTools 已经做得足够完美,其中的一个类 HtmlToWmlConverterCore 可以将绝大多数Html标签——“a、b、body、caption、div、em、h1、h2、h3、h4、h5、h6、h7、h8、hr、html、i、blockquote、img、li、ol、p、s、span、strong、style、sub、sup、table、tbody、td、th、tr、u、ul、br、tt、code、kbd、samp、pre、article、hgroup、nav、section、dd、dl、dt、figure、main、abbr、bdi、bdo、cite、data、dfn、mark、q、rp、rt、ruby、small、time、var、wbr”转换为对应的 word 格式,而我主要要做的就是如何处理数学公式。流程图如下:
但在这之前,你最好去看一下 Open XML SDK 2.5 官网的一系列文章,对docx文件的构造、基本操作有所了解。由于 Word 文件本质上是 XML 文件,你需要能比较熟练的操作 XML,推荐使用 LINQ to XML(https://msdn.microsoft.com/zh-cn/library/bb387098.aspx)进行这种操作。Open-Xml-PowerTools 的作者Eric White的博客(http://www.ericwhite.com/)也很不错。
想要更深入地了解 docx 的结构和对应的 OpenXML SDK 指令,那么 Open XML SDK 2.5 Productivity Tool(https://www.microsoft.com/en-us/download/details.aspx?id=30425) 就是必不可少的。下面是这个工具的截图:
第1步 将 LaTex 转换为 MathML
题库的内容格式为 Html,公式保存为 LaTex 格式,例如\(\sqrt 2 \)的LaTex格式在题库中保存为\(\sqrt 2 \)\
,我没找到.Net平台上实现此功能的类库,因此只能在前台借助于 MathJax 进行这个工作了。
我使用的 MathJax 的设置为“TeX-MML-AM_CHTML”,因此这个公式在网页中显示为:
<span class="MathJax_Preview" style="color: inherit;"></span> <span id="MathJax-Element-1-Frame" class="mjx-chtml MathJax_CHTML" tabindex="0" data-mathml="<math xmlns="http://www.w3.org/1998/Math/MathML"><msqrt><mn>2</mn></msqrt> </math>" role="presentation" style="font-size: 101%; position: relative;"> <span id="MJXc-Node-4" class="mjx-math" role="math" aria-hidden="true"> <span id="MJXc-Node-5" class="mjx-mrow"> <span id="MJXc-Node-6" class="mjx-msqrt"> <span class="mjx-box" style="padding-top: 0.045em;"> <span class="mjx-surd"> <span class="mjx-char MJXc-TeX-main-R" style="padding-top: 0.518em; padding-bottom: 0.518em;">√</span> </span> <span class="mjx-box" style="padding-top: 0.13em; border-top: 1.2px solid;"> <span id="MJXc-Node-7" class="mjx-mrow"> <span id="MJXc-Node-8" class="mjx-mn"> <span class="mjx-char MJXc-TeX-main-R" style="padding-top: 0.389em; padding-bottom: 0.325em;">2</span> </span> </span> </span> </span> </span> </span> </span><span class="MJX_Assistive_MathML" role="presentation"> <math xmlns="http://www.w3.org/1998/Math/MathML"> <msqrt> <mn>2</mn> </msqrt> </math> </span> </span> <script type="math/tex" id="MathJax-Element-2">\sqrt 2 </script>
竟然有这么多!仔细观察这个结构,发现要获取公式的MathML格式,只需提取 id 以“MathJax-Element-”开头的span元素中的 data-mathml 属性的内容即可,然后删除这一大堆 span 和 script 标签。这个任务可以使用 jquery 完成,具体代码略。
经过以上操作,就可以把包含<math>……</math>
的内容提取出来。对应的 MathML 代码为:
<math xmlns="http://www.w3.org/1998/Math/MathML"> <msqrt> <mn>2</mn> </msqrt> </math>
第2步 将 Html 转换为 XML 格式
传递后台用的是 post 形式,因此从 Request.Form 中就可以得到html的字符串,但在将这个 html 交给 Open-Xml-PowerTools 处理前需要将它转换为 XML 格式,这里用的是一个类库——html-agility-pack(https://github.com/zzzprojects/html-agility-pack),这个库还可以方便地解析和操作 XML 文件。但这个库不是必须的,用 XElement.Parse 方法和 LINQ To XML 可以完成同样的工作。代码如下:
string sourceHtml = Request.Form["html"]; // 使用HtmlAgilityPack将html转换为格式良好的xml HtmlDocument hdoc = new HtmlDocument(); hdoc.LoadHtml(exers); hdoc.OptionOutputAsXml = true; StringBuilder sbXml=new StringBuilder(); using (StringWriter writer = new StringWriter(sbXml)) { hdoc.Save(writer); } // 对一些特殊字符进行转义 sbXml.Replace("&", "&"); sbXml.Replace(" ", "\xA0"); sbXml.Replace(""", "\""); sbXml.Replace("<", "~lt;"); sbXml.Replace(">", "~gt;"); sbXml.Replace("&#", "~#"); sbXml.Replace("&", "&"); sbXml.Replace("~lt;", "<"); sbXml.Replace("~gt;", ">"); sbXml.Replace("~#", "&#");
第3步 将 MathML 转换为 OMML
由于Open-Xml-PowerTools不会处理<math>标签,我也不想动它的源代码(实际上是因为源代码太复杂,我只能看懂个大概),因此需要在Open-Xml-PowerTools之前进行转换工作。
思路是:将xml中的所有<math>标签提取出来,然后将它们转换为Word中数学公式的格式——OMML(Office math markup language),在原来<math>的位置随便替换为另一个标签,其中的内容最好不会与其他内容发生冲突,我用的是“<b>////</b>”。
那么如何将MathML转换为OMML?答案是使用一个转换文件——MML2OMML.xsl,这个文件是office自带的,位于目录:%ProgramFiles%\Microsoft Office\Office12\之下(若你用的是office 2016,则在%ProgramFiles%\Microsoft Office\Office16\目录)。
不知你是否知道,将MathML公式以文本的形式粘贴到Word中时,它会自动变成Word公式,这个操作的背后就是MML2OMML.xsl在起作用。同样的目录下还有一个文件OMML2MML.xsl,它的作用是反过来转换,我们这里用不到。
\(\sqrt 2 \)的OMML代码为:
<m:oMath xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" xmlns:mml="http://www.w3.org/1998/Math/MathML"> <m:rad> <m:radPr> <m:degHide m:val="on" /> </m:radPr> <m:deg /> <m:e> <m:r> <m:t>2</m:t> </m:r> </m:e> </m:rad> </m:oMath>
具体的实现过程参考了这个网址:https://stackoverflow.com/questions/10993621/openxml-sdk-and-mathml。代码如下:
// 使用HtmlAgilityPack对xml进行进一步处理 hdoc.LoadHtml(sbXml.ToString()); // 提取xml中的所有<math></math>标签 HtmlNodeCollection mathMLs = hdoc.DocumentNode.SelectNodes("//math"); // 将结果保存在ommls集合中 List<DocumentFormat.OpenXml.Math.OfficeMath> ommls = new List<DocumentFormat.OpenXml.Math.OfficeMath>(); if (mathMLs != null) { // MML2OMML.xsl文件位于目录:%ProgramFiles%\Microsoft Office\Office12\ XslCompiledTransform xslTransform = new XslCompiledTransform(); xslTransform.Load("../../MML2OMML.xsl"); foreach (HtmlNode math in mathMLs) { // 将MathML转换为OMML(Office math markup language) using (TextReader tr = new StringReader(math.OuterHtml)) { using (XmlReader reader = XmlReader.Create(tr)) { using (MemoryStream ms1 = new MemoryStream()) { XmlWriterSettings settings = xslTransform.OutputSettings.Clone(); settings.ConformanceLevel = ConformanceLevel.Fragment; settings.OmitXmlDeclaration = true; XmlWriter xw = XmlWriter.Create(ms1, settings); xslTransform.Transform(reader, xw); ms1.Seek(0, SeekOrigin.Begin); StreamReader sr = new StreamReader(ms1, Encoding.UTF8); ommls.Add(new DocumentFormat.OpenXml.Math.OfficeMath(sr.ReadToEnd())); } } } } // 将<math></math>中的内容替换为"<b>////<b>" HtmlNode newNode = HtmlNode.CreateNode("<b>////</b>"); foreach (HtmlNode math in mathMLs) { math.ParentNode.ReplaceChild(newNode, math); } }
第4步 使用 Open-Xml-PowerTools 将 XML 转换为 Docx
Open-Xml-PowerTools中的HtmlToWmlConverter类负责转换工作。代码如下:
// HtmlToWmlConverter要求元素不能有命名空间 XElement html = (XElement)ConvertToNoNamespace(XElement.Parse(hdoc.DocumentNode.OuterHtml)); // ConvertHtmlToWml方法的第2个参数 string styleInHtml = (string)html.Descendants().FirstOrDefault(d => d.Name.LocalName.ToLower() == "style"); styleInHtml = styleInHtml.Replace("//<![CDATA[", ""); styleInHtml = styleInHtml.Replace("//]]>//", ""); string authorCss = HtmlToWmlConverter.CleanUpCss(styleInHtml); // ConvertHtmlToWml方法的第3个参数 string userCss = @"h1 { background-color: #00ff00; }"; // 使用OpenXml PowerTools将html转换为word HtmlToWmlConverterSettings c_settings = HtmlToWmlConverter.GetDefaultSettings(); // 设置包含图片文件的路径 c_settings.BaseUriForImages = "../../"; // 默认的字体大小为14pt,即小四号,而中文宋体五号字对应10.5pt c_settings.DefaultFontSize = 10.5d; // emptyDocument也可以不设置,即在ConvertHtmlToWml方法中的将这个参数设置为null,HtmlToWmlConverter会自动在内部创建一个默认的WmlDocument实例 WmlDocument emptyDocument = new WmlDocument("../../template.docx"); WmlDocument doc = HtmlToWmlConverter.ConvertHtmlToWml(defaultCss, authorCss, userCss, html, c_settings, emptyDocument, null);
其中调用的 ConvertToNoNamespace 方法的代码如下:
private static object ConvertToNoNamespace(XNode node) { XElement element = node as XElement; if (element != null) { return new XElement(element.Name.LocalName, element.Attributes().Where(a => !a.IsNamespaceDeclaration), element.Nodes().Select(n => ConvertToNoNamespace(n))); } return node; }
稍微解释一下 ConvertHtmlToWml 方法的前三个参数,它们都是包含 css 的字符串,其中 defaultCss 的代码如下:
static string defaultCss = @"html, address, blockquote, body, dd, div, dl, dt, fieldset, form, frame, frameset, h1, h2, h3, h4, h5, h6, noframes, ol, p, ul, center, dir, hr, menu, pre { display: block; unicode-bidi: embed } li { display: list-item } head { display: none } table { display: table; } tr { display: table-row } thead { display: table-header-group } tbody { display: table-row-group } tfoot { display: table-footer-group } col { display: table-column } colgroup { display: table-column-group } td, th { display: table-cell; } caption { display: table-caption } th { font-weight: bolder; text-align: center } caption { text-align: center } body { margin: auto; } h1 { font-size: 16pt; margin: auto; } h2 { font-size: 14pt; margin: auto; } h3 { font-size: 1.17em; margin: auto; } h4, p, blockquote, ul, fieldset, form, ol, dl, dir, menu { margin: auto } a { color: blue; } h5 { font-size: .83em; margin: auto } h6 { font-size: .75em; margin: auto } h1, h2, h3, h4, h5, h6, b, strong { font-weight: bolder } blockquote { margin-left: 40px; margin-right: 40px } i, cite, em, var, address { font-style: italic } pre, tt, code, kbd, samp { font-family: monospace } pre { white-space: pre } button, textarea, input, select { display: inline-block } big { font-size: 1.17em } small { font-size: .83em } sub { vertical-align: sub } sup { vertical-align: super } table { border-spacing: 2px; } thead, tbody, tfoot { vertical-align: middle } td, th, tr { vertical-align: inherit } s, strike, del { text-decoration: line-through } hr { border: 1px inset } ol, ul, dir, menu, dd { margin-left: 40px } ol { list-style-type: decimal } ol ul, ul ol, ul ul, ol ol { margin-top: 0; margin-bottom: 0 } u, ins { text-decoration: underline } br:before { content: ""\A""; white-space: pre-line } center { text-align: center } :link, :visited { text-decoration: underline } :focus { outline: thin dotted invert } /* Begin bidirectionality settings (do not change) */ BDO[DIR=""ltr""] { direction: ltr; unicode-bidi: bidi-override } BDO[DIR=""rtl""] { direction: rtl; unicode-bidi: bidi-override } *[DIR=""ltr""] { direction: ltr; unicode-bidi: embed } *[DIR=""rtl""] { direction: rtl; unicode-bidi: embed } ";
我通常不会动这个 defaultCss,本示例只动了一处,将“small, sub, sup { font-size: .83em }”改成了“small { font-size: .83em }”,否则导出为docx文件后上、下标会偏小。
这三个参数的css会依次覆盖前面的设置,因此authorCss通常应设置为html中外部link的css文件,而写在Html文件<style>标签中的css代码优先级通常更高,因此把它设置为userCss。
本例中,提取了 Html 中<style>标签中的内容作为authorCss,这个 css 将标题1的背景颜色设置为红色,然后在userCss中将标题1的背景颜色设置为绿色,导出后你会发现最终的颜色为绿色。
第5步 将 OMML 公式插入到 docx 文件的相应位置
代码如下:
// 将OMML公式插入到转换好的文件中 using (MemoryStream memoryStream = new MemoryStream()) { doc.WriteByteArray(memoryStream); using (WordprocessingDocument wordDoc = WordprocessingDocument.Open(memoryStream, true)) { List<Text> replaceTexts = new List<Text>(); // 找到<w:b>////</w:b>,这也是我们要插入公式的地方。 // 此处用的是OpenXML的扩展方法,你也可以使用LINQ To XML完成同样的任务 foreach (var paragraph in wordDoc.MainDocumentPart.Document.Body.Descendants<Paragraph>()) { foreach (var run in paragraph.Descendants<Run>()) { Text text = run.Elements<Text>().Where(p => p.Text == "////").FirstOrDefault(); if (text != null) replaceTexts.Add(text); } } if (replaceTexts.Count() > 0) { int i = 0; foreach (var replaceText in replaceTexts) { foreach (var currentRun in ommls[i].Descendants<DocumentFormat.OpenXml.Math.Run>()) { // 添加字体信息 DocumentFormat.OpenXml.Wordprocessing.RunProperties runProperties2 = new DocumentFormat.OpenXml.Wordprocessing.RunProperties(); RunFonts runFonts2 = new RunFonts() { Ascii = "Cambria Math", HighAnsi = "Cambria Math" }; runProperties2.Append(runFonts2); currentRun.InsertAt(runProperties2, 0); } replaceText.Parent.ReplaceChild(ommls[i], replaceText); i += 1; } } } File.WriteAllBytes("../../finalWord.docx", memoryStream.ToArray()); //wordDoc.SaveAs("../../finalWord.docx"); }
至此就完成了全部工作。
可供下载的源代码是个控制台程序,将一个“Original.html”文件最终转换为“finalWord.docx”。
文件下载(已下载 451 次)发布时间:2017/6/10 下午10:53:28 阅读次数:5685