我现在尝试解析word内容为结构化数据,但是遇到解析公式/标题等部分样式有问题,
第一个截图是原word标题
我尝试转html解析但是部分标题样式丢失
或许是否可以提供更好的解析方式?
@axxc
显然，问题在于 TOC 字段的一部分属于已删除的修订版。
请尝试在创建文档后添加对 revisions.rejectAll() 的调用。
Document doc = new Document(string);
RevisionCollection revisions = doc.getRevisions();
revisions.rejectAll();
...
好的谢谢,那我将尝试使用这种,请问有更好的方式获取类似公式,角标这种方式吗,转html解析是我其中的一种尝试
image.png (6.3 KB)
RevisionCollection revisions = doc.getRevisions();
revisions.rejectAll();
尝试调用后word部分转html还是没有出现在toc中?
@axxc
您的截图和您发送的文档的 TOC 字段完全不同。按照建议的代码，我没有发现在发送的文档中转换 TOC 有什么问题。从截图中找出答案会非常困难。
至于表格，我也没有发现在转换为 Html 时有什么问题。请解释一下具体哪些地方不适合你。
你好,
1 按照你提供的代码片段,截图中的标题在html并没有显示toc的属性,导致我尝试用带有toc的属性值解析不到,你可以从zip中提到的html中看到
2 至于表格是因为表头合并了,我的疑问是不在html中时是否有更好解析方式
换言之,使用您提供的代码转为html后还是没达到我解析二级,三级标题内容的目的
部分有是对的,但是有部分在word中是标题,但是在html还是没有,我的疑问在这里
例如 C-1.2.1方法2A 他是标题,我期望能在html中解析到
@axxc
C-1.2.1方法2A 是一个常规段落，其Para.OutlineLevel == Level3
要使其成为Title，您需要更改其样式：
为确保可以在输出的Html文档中观察到这些属性，请添加适当的导出选项。
...
saveOptions.setPrettyFormat(true);
saveOptions.setCssStyleSheetType(CssStyleSheetType.EMBEDDED); \\ <---------- this option
saveOptions.setExportTocPageNumbers(true);
...
谢谢你提供的帮助,我将再尝试一次. 该代码片段我可以加,但是这些模板我无法再操作,届时客户上传由程序解析,其中我描述的 C-1.2.1方法2A,是我本地打开在导航栏中左侧视图看多显示的,这种情况我该如何解析为正确?
@axxc
您可以尝试我在上一篇文章中建议的解决方案。选项 CssStyleSheetType.EMBEDDED。在这种情况下，OutlineLevel 将显示在 HTML 标记中的往返信息中。
不幸的是，DOCX 和 HTML 是截然不同的格式，HTML 中没有与 OutlineLevel 直接类似的内容。