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：5724
