在没有Microsoft.Office.Interop的情况下,将.NET doc和docx格式转换为.NET Core中的PDF

Question

我需要在浏览器中显示Word .doc和.docx文件.没有真正的客户端方式,出于法律原因,这些文档无法与Google文档或Microsoft Office 365共享.

浏览器无法显示Word,但可以显示PDF,因此我想在服务器上将这些文档转换为PDF然后显示.

我知道这可以使用Microsoft.Office.Interop.Word,但我的应用程序是.NET Core,并且无法访问Office互操作.它可以在Azure上运行,但它也可以在Docker容器中运行.

似乎有很多类似的问题,但大多数人都在询问全框架.NET或假设服务器是Windows操作系统,任何答案对我都没用.

如何转换.doc和.docx文件.pdf 无法访问Microsoft.Office.Interop.Word？

Answer 1

这就是PITA,难怪所有第三方解决方案每个开发者收取500美元.

好消息是Open XML SDK最近添加了对.Net Standard的支持,所以看起来你很喜欢这种.docx格式.

坏消息目前还没有对.NET核心生成PDF库很多的选择.因为看起来你不想支付一个而且你不能合法地使用第三方服务,我们别无选择,除了自己动手.

主要问题是将Word文档内容转换为PDF.其中一种流行的方法是将Docx读入HTML并将其导出为PDF.很难找到,但OpenXMLSDK- PowerTools的 .Net Core版本支持将Docx转换为HTML.Pull Request"即将被接受",你可以从这里得到它:

https://github.com/OfficeDev/Open-Xml-PowerTools/tree/abfbaac510d0d60e2f492503c60ef897247716cf

现在我们可以将文档内容提取到HTML,我们需要将其转换为PDF.有一些库可以将HTML转换为PDF,例如DinkToPdf是一个围绕Webkit HTML到PDF库libwkhtmltox的跨平台包装器.

我认为DinkToPdf优于https://code.msdn.microsoft.com/How-to-export-HTML-to-PDF-c5afd0ce

Docx到HTML

让我们完全放下这个,下载OpenXMLSDK-PowerTools .Net Core项目并构建它(只需要OpenXMLPowerTools.Core和OpenXMLPowerTools.Core.Example - 忽略其他项目).将OpenXMLPowerTools.Core.Example设置为StartUp项目.运行控制台项目:

static void Main(string[] args)
{
    var source = Package.Open(@"test.docx");
    var document = WordprocessingDocument.Open(source);
    HtmlConverterSettings settings = new HtmlConverterSettings();
    XElement html = HtmlConverter.ConvertToHtml(document, settings);

    Console.WriteLine(html.ToString());
    var writer = File.CreateText("test.html");
    writer.WriteLine(html.ToString());
    writer.Dispose();
    Console.ReadLine();

如果您运行该项目,您将看到HTML看起来几乎与Word文档中的内容完全相同:

但是,如果您尝试使用带有图片或链接的Word文档,您会发现它们已丢失或损坏.

此CodeProject文章解决了这些问题:https://www.codeproject.com/Articles/1162184/Csharp-Docx-to-HTML-to-Docx

我不得不改变static Uri FixUri(string brokenUri)方法返回一个Uri,我添加了用户友好的错误消息.

static void Main(string[] args)
{
    var fileInfo = new FileInfo(@"c:\temp\MyDocWithImages.docx");
    string fullFilePath = fileInfo.FullName;
    string htmlText = string.Empty;
    try
    {
        htmlText = ParseDOCX(fileInfo);
    }
    catch (OpenXmlPackageException e)
    {
        if (e.ToString().Contains("Invalid Hyperlink"))
        {
            using (FileStream fs = new FileStream(fullFilePath,FileMode.OpenOrCreate, FileAccess.ReadWrite))
            {
                UriFixer.FixInvalidUri(fs, brokenUri => FixUri(brokenUri));
            }
            htmlText = ParseDOCX(fileInfo);
        }
    }

    var writer = File.CreateText("test1.html");
    writer.WriteLine(htmlText.ToString());
    writer.Dispose();
}

public static Uri FixUri(string brokenUri)
{
    string newURI = string.Empty;
    if (brokenUri.Contains("mailto:"))
    {
        int mailToCount = "mailto:".Length;
        brokenUri = brokenUri.Remove(0, mailToCount);
        newURI = brokenUri;
    }
    else
    {
        newURI = " ";
    }
    return new Uri(newURI);
}

public static string ParseDOCX(FileInfo fileInfo)
{
    try
    {
        byte[] byteArray = File.ReadAllBytes(fileInfo.FullName);
        using (MemoryStream memoryStream = new MemoryStream())
        {
            memoryStream.Write(byteArray, 0, byteArray.Length);
            using (WordprocessingDocument wDoc =
                                        WordprocessingDocument.Open(memoryStream, true))
            {
                int imageCounter = 0;
                var pageTitle = fileInfo.FullName;
                var part = wDoc.CoreFilePropertiesPart;
                if (part != null)
                    pageTitle = (string)part.GetXDocument()
                                            .Descendants(DC.title)
                                            .FirstOrDefault() ?? fileInfo.FullName;

                WmlToHtmlConverterSettings settings = new WmlToHtmlConverterSettings()
                {
                    AdditionalCss = "body { margin: 1cm auto; max-width: 20cm; padding: 0; }",
                    PageTitle = pageTitle,
                    FabricateCssClasses = true,
                    CssClassPrefix = "pt-",
                    RestrictToSupportedLanguages = false,
                    RestrictToSupportedNumberingFormats = false,
                    ImageHandler = imageInfo =>
                    {
                        ++imageCounter;
                        string extension = imageInfo.ContentType.Split('/')[1].ToLower();
                        ImageFormat imageFormat = null;
                        if (extension == "png") imageFormat = ImageFormat.Png;
                        else if (extension == "gif") imageFormat = ImageFormat.Gif;
                        else if (extension == "bmp") imageFormat = ImageFormat.Bmp;
                        else if (extension == "jpeg") imageFormat = ImageFormat.Jpeg;
                        else if (extension == "tiff")
                        {
                            extension = "gif";
                            imageFormat = ImageFormat.Gif;
                        }
                        else if (extension == "x-wmf")
                        {
                            extension = "wmf";
                            imageFormat = ImageFormat.Wmf;
                        }

                        if (imageFormat == null) return null;

                        string base64 = null;
                        try
                        {
                            using (MemoryStream ms = new MemoryStream())
                            {
                                imageInfo.Bitmap.Save(ms, imageFormat);
                                var ba = ms.ToArray();
                                base64 = System.Convert.ToBase64String(ba);
                            }
                        }
                        catch (System.Runtime.InteropServices.ExternalException)
                        { return null; }

                        ImageFormat format = imageInfo.Bitmap.RawFormat;
                        ImageCodecInfo codec = ImageCodecInfo.GetImageDecoders()
                                                    .First(c => c.FormatID == format.Guid);
                        string mimeType = codec.MimeType;

                        string imageSource =
                                string.Format("data:{0};base64,{1}", mimeType, base64);

                        XElement img = new XElement(Xhtml.img,
                                new XAttribute(NoNamespace.src, imageSource),
                                imageInfo.ImgStyleAttribute,
                                imageInfo.AltText != null ?
                                    new XAttribute(NoNamespace.alt, imageInfo.AltText) : null);
                        return img;
                    }
                };

                XElement htmlElement = WmlToHtmlConverter.ConvertToHtml(wDoc, settings);
                var html = new XDocument(new XDocumentType("html", null, null, null),
                                                                            htmlElement);
                var htmlString = html.ToString(SaveOptions.DisableFormatting);
                return htmlString;
            }
        }
    }
    catch
    {
        return "The file is either open, please close it or contains corrupt data";
    }
}

现在我们可以得到图像:

如果您只想在Web浏览器中显示Word .docx文件,最好不要将HTML转换为PDF,因为这会显着增加带宽.您可以使用VPP技术将HTML存储在文件系统,云或dB中.

HTML到PDF

接下来我们需要做的是将HTML传递给DinkToPdf.下载DinkToPdf(90 MB)解决方案.构建解决方案 - 需要一段时间才能恢复所有软件包以及编译解决方案.

重要:

如果要在Linux和Windows上运行,DinkToPdf库需要项目根目录中的libwkhtmltox.so和libwkhtmltox.dll文件.如果需要,还有一个适用于Mac的libwkhtmltox.dylib文件.

这些dll位于v0.12.4文件夹中.根据您的PC,32或64位,将3个文件复制到DinkToPdf-master\DinkToPfd.TestConsoleApp\bin\Debug \netcoreapp1.1文件夹.

重要2:

确保在Docker映像或Linux计算机上安装了libgdiplus.libwkhtmltox.so库依赖于它.

将DinkToPfd.TestConsoleApp设置为StartUp项目并更改Program.cs文件以从使用Open-Xml-PowerTools而不是Lorium Ipsom文本保存的HTML文件中读取htmlContent.

var doc = new HtmlToPdfDocument()
{
    GlobalSettings = {
        ColorMode = ColorMode.Color,
        Orientation = Orientation.Landscape,
        PaperSize = PaperKind.A4,
    },
    Objects = {
        new ObjectSettings() {
            PagesCount = true,
            HtmlContent = File.ReadAllText(@"C:\TFS\Sandbox\Open-Xml-PowerTools-abfbaac510d0d60e2f492503c60ef897247716cf\ToolsTest\test1.html"),
            WebSettings = { DefaultEncoding = "utf-8" },
            HeaderSettings = { FontSize = 9, Right = "Page [page] of [toPage]", Line = true },
            FooterSettings = { FontSize = 9, Right = "Page [page] of [toPage]" }
        }
    }
};

Docx与PDF的结果相当令人印象深刻,我怀疑很多人会发现很多差异(特别是如果他们从未看到原版):

PS.我意识到你想要转换为PDF .doc和.docxPDF.我建议您自己使用特定的非服务器Windows/Microsoft技术将.doc转换为docx.doc格式是二进制格式,不适用于办公室的服务器端自动化.

Answer 2

使用LibreOffice二进制文件

LibreOffice项目是MS Office的开源跨平台替代方案.我们可以使用它的功能导出doc和docx文件到PDF.目前,LibreOffice没有.NET的官方API,因此,我们将直接与soffice二进制文件对话.

这是一种"hacky"解决方案,但我认为这是解决方案,可以减少错误并保持成本.此方法的另一个优点是您不限于转换doc和docx:您可以从每种格式的LibreOffice支持转换它(例如odt,html,电子表格等).

实施

我写了一个c#使用soffice二进制文件的简单程序.这只是一个概念验证(和我的第一个程序c#).它支持Windows开箱即用,并且Linux只有在安装了LibreOffice软件包时才支持.

这是main.cs:

using System;
using System.Collections.Generic;
using System.Text;
using System.Diagnostics;
using System.Reflection;

namespace DocToPdf
{
    public class LibreOfficeFailedException : Exception
    {
        public LibreOfficeFailedException(int exitCode)
            : base(string.Format("LibreOffice has failed with {}", exitCode))
            {}
    }

    class Program
    {
        static string getLibreOfficePath() {
            switch (Environment.OSVersion.Platform) {
                case PlatformID.Unix:
                    return "/usr/bin/soffice";
                case PlatformID.Win32NT:
                    string binaryDirectory = System.IO.Path.GetDirectoryName(Assembly.GetExecutingAssembly().Location);
                    return binaryDirectory + "\\Windows\\program\\soffice.exe";
                default:
                    throw new PlatformNotSupportedException ("Your OS is not supported");
            }
        }

        static void Main(string[] args) {
            string libreOfficePath = getLibreOfficePath();

            // FIXME: file name escaping: I have not idea how to do it in .NET.
            ProcessStartInfo procStartInfo = new ProcessStartInfo(libreOfficePath, string.Format("--convert-to pdf --nologo {0}", args[0]));
            procStartInfo.RedirectStandardOutput = true;
            procStartInfo.UseShellExecute = false;
            procStartInfo.CreateNoWindow = true;
            procStartInfo.WorkingDirectory = Environment.CurrentDirectory;

            Process process = new Process() { StartInfo =      procStartInfo, };
            process.Start();
            process.WaitForExit();

            // Check for failed exit code.
            if (process.ExitCode != 0) {
                throw new LibreOfficeFailedException(process.ExitCode);
            }
        }
    }
}

资源

• 项目存储库:包含Windows LibreOffice二进制文件的包的示例.

结果

我在Arch Linux上测试了它,用它编译mono.我使用mon和Linux二进制文件运行它,并使用wine:使用Windows二进制文件.

您可以在Tests目录中找到结果:

输入文件:testdoc.doc,testdocx.docx

输出:

• Wine:testdoc,testdocx.

• 单声道:testdoc,testdocx.

Answer 3

如果您使用容器化解决方案（Docker）没有遇到任何问题，那么这里有一个非常好的项目：

哥登堡计划

https://gotenberg.dev/

我之前确实尝试过。它已经使用 LibreOffice 将 docx 转换为 pdf，但它还有更多功能。另外，它是一个无状态的 dockerized api，它是自给自足的。

Answer 4

我最近使用FreeSpire.Doc做到了这一点。免费版本限制为3页，但可以使用以下类似方法轻松地将docx文件转换为PDF

    private void ConvertToPdf()
    {
        try
        {
            for (int i = 0; i < listOfDocx.Count; i++)
            {
                CurrentModalText = "Converting To PDF";
                CurrentLoadingNum += 1;

                string savePath = PdfTempStorage + i + ".pdf";
                listOfPDF.Add(savePath);

                Spire.Doc.Document document = new Spire.Doc.Document(listOfDocx[i], FileFormat.Auto);
                document.SaveToFile(savePath, FileFormat.PDF);
            }
        }
        catch (Exception e)
        {
            throw e;
        }
    }

然后，我稍后使用itextsharp.pdf将这些单独的pdf缝在一起。

 public static byte[] concatAndAddContent(List<byte[]> pdfByteContent, List<MailComm> localList)
    {

        using (var ms = new MemoryStream())
        {
            using (var doc = new Document())
            {
                using (var copy = new PdfSmartCopy(doc, ms))
                {
                    doc.Open();
                    //add checklist at the start
                    using (var db = new StudyContext())
                    {
                        var contentId = localList[0].ContentID;
                        var temp = db.MailContentTypes.Where(x => x.ContentId == contentId).ToList();
                        if (!temp[0].Code.Equals("LAB"))
                        {
                            pdfByteContent.Insert(0, CheckListCreation.createCheckBox(localList));
                        }
                    }

                    //Loop through each byte array
                    foreach (var p in pdfByteContent)
                    {

                        //Create a PdfReader bound to that byte array
                        using (var reader = new PdfReader(p))
                        {

                            //Add the entire document instead of page-by-page
                            copy.AddDocument(reader);
                        }
                    }

                    doc.Close();
                }
            }

            //Return just before disposing
            return ms.ToArray();
        }
    }

我不知道这是否适合您的用例，因为您没有指定要编写的文档的大小，但是如果它们的页面数大于3页，或者您可以将它们控制为少于3页，那么它将允许您对其进行转换转换成pdf

如下面的评论中所述，它也无法使用RTL语言，谢谢@Aria指出这一点。

Answer 5

抱歉，我没有足够的声誉来发表评论，但我想对杰里米·汤普森的答案发表两分钱。希望这对某人有帮助。

当我浏览 Jeremy Thompson 的答案时，下载OpenXMLSDK-PowerTools并运行后OpenXMLPowerTools.Core.Example，我收到了类似的错误

the specified package is invalid. the main part is missing

在线上

var document = WordprocessingDocument.Open(source);

经过几个小时的努力，我发现test.docx复制到bin文件只有1kb。要解决这个问题，右键test.docx> Properties，设置Copy to Output Directory即可Copy always解决这个问题。

希望这对像我这样的新手有帮助:)