office文档转换成mht文档

要实现office文档转换成MHTML文档,首先会将office文档转换成HTML格式的文档,然后将HTML文档转换成MHTML文档。要将 office文档转成HTML需要使用Microsoft.HtmlTrans.Interface的程序集。这个程序集需要安装“HTML 转换服务器”。HTML 转换服务器是 Windows SharePoint Services 服务器场的可选组件。你可以在微软网站上找到该服务器的安装文件。按照下面的步骤安装:

解压缩下载的文件,里面有文件:

eng11probypass.mst
htmltrbackend.msi
HTML Viewer WhitePaper文档

如果已经安装了office,请先卸载,然后安装支持HTML Viewer Services的Office:

在Office安装路径下,找到Setup文件所在路径;
将eng11probypass.mst文件拷贝到该路径下;
在命令提示符下输入:Setup transforms= eng11probypass.mst来安装支持HTML Viewer的Office;
安装HTML Viewer Server:运行htmltrbackend.msi;
安 装好以后,找到Microsoft.HtmlTrans.Interface.dll文件并把它copy到项目文件夹中。在项目中引用该文件。由于将用到 命名空间Microsoft.HtmlTrans中的htmlTrLoadBalancer和htmlTrLauncher两个Romoting对象将 office文档转换为HTML文件。

不过需要注意:

Document types not supported are:
Master documents in Word (see Word Help for an explanation of Master document)
Password protected documents, workbooks, and presentations (encrypted)
Word documents that use framesets
Files that contain Excel 4.0 macros
WordPerfect files
For files with embedded objects, VBA, scripts, etc, the following rules apply:
VBA is ignored and not executed; However, the VBA project (source code, dialog definitions, etc) is retained
Embedded and linked objects are converted to graphic images and displayed in the approximate location where they were in the source file
Linked or embedded objects with password protection are not converted

   在实现中另外一个难点就是如何将HTML转换成MHTML。MHTML是 MIME Encapsulation of Aggregate HTML的缩写,它是一种网络编码格式,是用来定义在电子邮件正文中如何传送html内容的MIME标准。通俗点说,就是一个HTML文件和包括其中的. css文件、.js文件、图片等等一切的资源文件都整合在一个MHTL文件中。以下是一个典型的MHTML文件(;后为解释部分):

Mime-Version: 1.0
; Content-Location为主文件地址,可以随意设定
Content-Location: [url]http://www.ietf.cnri.reston.va.us/[/url]
; Content-Type为MTHML文件的类型,这里表示MHTML文件中包含多种文件类型
;boundary定义文件之间的分隔符,可随意定义
;type为主文件格式
Content-Type: multipart/related; boundary="boundary-example";type="text/html"
;在前面加”--”字符表示一个文件开始
--boundary-example
;以下是文件头
; text/html 表示该文件的文件类型;charset表示使用的字符集
Content-Type: text/html; charset="ISO-8859-1"
; Content-Transfer-Encoding:表示的是该文件的编码类型;
;一般有两种:一种是文本类型的一般使用”QUOTED-PRINTABLE”;
;另一种是二进制文件一般使用”BASE64”
Content-Transfer-Encoding: QUOTED-PRINTABLE
;以下是正文
... text of the HTML document, which might contain URIs
referencing resources in other body parts, for example through
statements such as:
<IMG SRC="images/ietflogo1.gif" ALT="IETF logo1">
<IMG SRC="images/ietflogo2.gif" ALT="IETF logo2">
<IMG SRC="images/ietflogo3.gif" ALT="IETF logo3">
Example of a copyright sign encoded with Quoted-Printable: =A9
Example of a copyright sign mapped onto HTML markup: ¨
--boundary-example
; Content-Location:该文件的地址,可以是绝对地址或相对主文件的相对地址
;这里是绝对地址
Content-Location:[url]http://www.ietf.cnri.reston.va.us/images/ietflogo1.gif[/url]
Content-Type: IMAGE/GIF
;二进制文件,使用BASE64编码
Content-Transfer-Encoding: BASE64
R0lGODlhGAGgAPEAAP/////ZRaCgoAAAACH+PUNvcHlyaWdodCAoQykgMTk5
NSBJRVRGLiBVbmF1dGhvcml6ZWQgZHVwbGljYXRpb24gcHJvaGliaXRlZC4A
etc...
--boundary-example
;这里是相对地址
Content-Location: images/ietflogo2.gif
Content-Transfer-Encoding: BASE64
R0lGODlhGAGgAPEAAP/////ZRaCgoAAAACH+PUNvcHlyaWdodCAoQykgMTk5
NSBJRVRGLiBVbmF1dGhvcml6ZWQgZHVwbGljYXRpb24gcHJvaGliaXRlZC4A
etc...
--boundary-example
Content-Location:[url]http://www.ietf.cnri.reston.va.us/images/ietflogo3.gif[/url]
Content-Transfer-Encoding: BASE64
R0lGODlhGAGgAPEAAP/////ZRaCgoAAAACH+PUNvcHlyaWdodCAoQykgMTk5
NSBJRVRGLiBVbmF1dGhvcml6ZWQgZHVwbGljYXRpb24gcHJvaGliaXRlZC4A
etc...
;注意这里是结束标记,表示MHTML文件已经结束了.在定义的分隔符前后都加上”--”
--boundary-example―

上面是标准的MHTML文件格式,但是按上面的标准是无法在IE里面正确浏览的。还需要注意以下几点:

1.凡是文本类型的文件所有的”=”替换成”=3D”,例如

<IMG SRC="images/ietflogo3.gif" ALT="IETF logo3">
要替换成
<IMG SRC=3D"images/ietflogo3.gif" ALT=3D"IETF logo3">

2. 所有的BASE64编码的文件必须要换行;

3. 每个文件开头的分隔符要在前加上”--”,而最后一个分隔符要在前后加上”--”;

4. 正文与文件头和下一个文件的分割符都要有换行符。

  废话就说这么说了。接下来还是看看具体实现的代码。

  虽然代码比较多,但是可以直接编译使用的代码。建议copy下来放到工程项目中使用VS.NET来阅读代码。也可以按照上面说的步骤安装好以后,直接使用该类。如果不能编译的话,请确实安装是否成功,是否在工程项目中引用



using System;
using Microsoft.HtmlTrans;
using System.Text;
using System.IO;
using System.Collections;

namespace OfficeDocConvertMHTML
{
   public class Conversion
   {
     // 字符串的编码
     protected static Encoding encoding = Encoding.Default;
     // 用于创建IHtmlTrLoadBalancerremoting对象的url
     protected static string strServiceUrl = "http://localhost:8093/HtmlTrLoadBalancer";
     public static void ConvertMHT(string inputfile, string outputfile)
     {
       // 通过url(strServiceUrl)获取一个IHtmlTrLoadBalancerremoting对象
       IHtmlTrLoadBalancer htmlTrLoadBalancer =
          (IHtmlTrLoadBalancer)System.Activator.GetObject(
          typeof(IHtmlTrLoadBalancer),strServiceUrl);
       // 用输入文件名(inputfile)作为一个任务的任务标示(strTask)
       string strTask = inputfile;

       // 根据任务标示(strTask)新建一个任务并获取任务的url(strLauncherUri)
       string strLauncherUri = htmlTrLoadBalancer.StrGetLauncher(strTask);

       // 通过任务的url(strLauncherUri)获取一个IHtmlTrLauncherremoting对象(htmlTrLauncher),
       // 并用这个对象来执行该任务
       IHtmlTrLauncher htmlTrLauncher =
          (IHtmlTrLauncher)System.Activator.GetObject(typeof(IHtmlTrLauncher),strLauncherUri);

       // 接下来是把输入文件(inputfile)的内容读入一个byte数组(bFile)
       byte[] bFile = null;
       FileStream fsInputMht = null;
       BinaryReader bwInputMht = null;
       try
       {
          fsInputMht = new FileStream(inputfile, FileMode.Open);
          bwInputMht = new BinaryReader(fsInputMht, encoding);
          bFile = new byte[fsInputMht.Length];
          for(long i = 0; i < bFile.LongLength; i++)
            bFile[i] = bwInputMht.ReadByte();
          bwInputMht.Close();
          fsInputMht.Close();

       }
       catch(Exception ex)
       {
          bwInputMht.Close();
          fsInputMht.Close();
          throw ex;
       }

       //CHICreateHtml 通过office文档创建HTML文件及其附件
       //CHICreateHtml(
       //string strLauncherUri,         任务的url
        //byte[] rgbFile,             office 文档的二进制内容
       //Microsoft.HtmlTrans.BrowserType bt, 使用浏览类型,该参数是一个枚举类型
       //string strReqFile,           office 文档的路径/url
       //string strTaskName,           任务标示名,HTML转换服务器根据其跟踪该请求
       //int timeout,                 转换超时时间,如果网络状况较差,建议值设大点
       //bool fReturnFileBits          是否返回二进制内容,分别保存在CreateHtmlInforgbMainFile属性和rgrgbThicketFiles属性中
       //);
       CreateHtmlInfo chi = htmlTrLauncher.CHICreateHtml(strLauncherUri, bFile,
          BrowserType.BT_IE4, inputfile, strTask, 120, true);

       // 结束转换任务
       htmlTrLoadBalancer.LauncherTaskCompleted(strLauncherUri, strTask);

       // 在转换HTML文件的过程中没有错误,并且存在主文件,执行以下代码
       if(chi.ce == CreationErrorType.CE_NONE && chi.fHasMainFile)
       {
          FileStream fsOutputMht = null;
          BinaryWriter bwOutputMht = null;
          try
          {
           fsOutputMht = new FileStream(outputfile, FileMode.Create);
            bwOutputMht = new BinaryWriter(fsOutputMht, encoding);
            // HTML文件及其附件转换为MHTML文件
            byte[] bMHTMLBody = CreateMHTMLBody(chi);
            bwOutputMht.Write(bMHTMLBody);
            bwOutputMht.Close();
            fsOutputMht.Close();
            return;
          }
          catch(Exception ex)
          {
            bwOutputMht.Close();
            fsOutputMht.Close();
            throw ex;
          }
       }
       return;
     }

     //MHTML 文件头信息
     protected static string MIME   =
       "MIME-Version: 1.0" + Environment.NewLine +
       "Content-Type: multipart/related; boundary=\"{0}\"" + Environment.NewLine +
       Environment.NewLine;
     //MHTML 各个文件的头信息
     protected static string HEADER  = 
       Environment.NewLine + "--{0}" + Environment.NewLine +
       "Content-Location: {1}" + Environment.NewLine +
       "Content-Transfer-Encoding: {2}" + Environment.NewLine +
       "Content-Type: {3}" + Environment.NewLine +
       Environment.NewLine;
     // 定义MHTML中各文件之间的分隔符
     protected static string BOUNDARY =  "Define_It_Youself";
     //MHTML 主文件的URL
     protected static string LOCATION =  "http://MySiteUrl/";

     private static byte[] CreateMHTMLBody(CreateHtmlInfo creatHtmlInfo)
     {
       // 将回车换行符进行编码并存储在字节数组中
       byte[] bNewLine = Encoding.UTF8.GetBytes(Environment.NewLine);
       // 3D进行编码并存储在字节数组中
       byte[] bAfterEquals = encoding.GetBytes("3D");
       //'=' byte值为61
       byte bEquals = 61;
       //MHTML 文件的长度
       long lMHTMLBodyLength = 0;
       // 从零开始的字节偏移量
       long lOffset = 0;
       // 根据BOUNDARY的定义形成MTHML文件的头信息
       string strMIME = string.Format(MIME, BOUNDARY);
       // 将头信息进行编码并存储在字节数组中
       byte[] bMIME = encoding.GetBytes(strMIME);
       //MHTML 文件的长度增加bMIME.LongLength
       lMHTMLBodyLength += bMIME.LongLength;

       // 根据信息定义主文件的头信息
       string strMainHeader = string.Format(HEADER,
          BOUNDARY,
          LOCATION + creatHtmlInfo.strMainFileName,
          TransferEncoding.QUOTED_PRINTABLE,
          ContentType.TEXT_HTML);
       byte[] bMainHeader = encoding.GetBytes(strMainHeader);
       lMHTMLBodyLength += bMainHeader.LongLength;

       // 建立一个动态临时数组
       ArrayList alTempArray = new ArrayList();
      
       // 主文件的正文部分所有的"="替换成"=3D"
       for(int i = 0; i < creatHtmlInfo.rgbMainFile.Length; i ++)
       {
          alTempArray.Add(creatHtmlInfo.rgbMainFile[i]);
          if(creatHtmlInfo.rgbMainFile[i] == bEquals)
          {
            alTempArray.Add(bAfterEquals[0]);
            alTempArray.Add(bAfterEquals[1]);
          }
       }
       // 获取新的主文件的正文部分并存储在字节数组中
       byte[] bMainBody = new byte[alTempArray.Count];
       alTempArray.CopyTo(bMainBody);
       lMHTMLBodyLength += bMainBody.LongLength;
       alTempArray.Clear();
      
       // 申明存储MHTML附件的正文内容字节数组,该数组为一个二维数组
       byte[][] bThicketContent = null;
       // 申明存储MHTML附件的头信息字节数组
       string[] strThicketHeaders = null;
       // 如果MHTML存在附件则执行以下代码
       if(creatHtmlInfo.fHasThicket)
       {
          bThicketContent = new byte[creatHtmlInfo.rgrgbThicketFiles.Length][];
          strThicketHeaders = new string[creatHtmlInfo.rgrgbThicketFiles.Length];
          for(int i = 0; i < strThicketHeaders.Length; i++)
          {
            // 定义附件的头信息
            string strLocation = LOCATION +
              creatHtmlInfo.strThicketFolderName + "/" +
              creatHtmlInfo.rgstrThicketFileNames[i];
            string strTransferEncoding = TransferEncoding.GetTransferEncodingByFileName
              (creatHtmlInfo.rgstrThicketFileNames[i]);
            string strContentType = ContentType.GetContentTypeByFileName
              (creatHtmlInfo.rgstrThicketFileNames[i]);
            strThicketHeaders[i] = string.Format(HEADER,
              BOUNDARY,
              strLocation,
              strTransferEncoding,
              strContentType);
            byte[] bThicketHeader = encoding.GetBytes(strThicketHeaders[i]);
         
            StringBuilder strBase64ThicketBody = new StringBuilder();
            byte[] bThicketBody = null;
            // 如果附件二进制文件,那么用BASE64编码
            if(strTransferEncoding ==
              TransferEncoding.BASE64)
            {
              // 首先将字节数组里的内容转换为Base64编码的字符串
              strBase64ThicketBody.Append(
                 Convert.ToBase64String(creatHtmlInfo.rgrgbThicketFiles[i]));
              // 然后将字符串进行编码存储在新的字节数组中
              bThicketBody = encoding.GetBytes(strBase64ThicketBody.ToString());
              // 76个字节,加入一个换行符
              int BUFFER_SIZE = 76;
              for(int j = 0; j < bThicketBody.Length; j++)
              {
                 alTempArray.Add(bThicketBody[j]);
                 if(j % BUFFER_SIZE == BUFFER_SIZE - 1)
                 {
                   alTempArray.Add(bNewLine[0]);
                   alTempArray.Add(bNewLine[1]);
                 }
              }
              bThicketBody = new byte[alTempArray.Count];
              alTempArray.CopyTo(bThicketBody);
              alTempArray.Clear();
            }
              // 如果附件是以明文编码,那么明文编码,并将附件正文部分所有的"="替换成"=3D"
            else
            {
              for(int j = 0; j < creatHtmlInfo.rgrgbThicketFiles[i].Length; j++)
              {
                 alTempArray.Add(creatHtmlInfo.rgrgbThicketFiles[i][j]);
                 if(creatHtmlInfo.rgrgbThicketFiles[i][j] == bEquals)
                 {
                   alTempArray.Add(bAfterEquals[0]);
                   alTempArray.Add(bAfterEquals[1]);
                 }
              }
              bThicketBody = new byte[alTempArray.Count];
              alTempArray.CopyTo(bThicketBody);
              alTempArray.Clear();
            }
           
            // 将附件中的头信息字节数组和正文的字节数组合并存储在bThicketContent[i],
            // 并在lMHTMLBodyLength增加相应的长度
            bThicketContent[i] = new byte[bThicketHeader.LongLength + bThicketBody.LongLength + bNewLine.LongLength];
            Array.Copy(
              bThicketHeader,
              0,
              bThicketContent[i],
              0,
              bThicketHeader.LongLength);
            Array.Copy(
              bThicketBody,
              0,
              bThicketContent[i],
              bThicketHeader.LongLength,
              bThicketBody.LongLength);
            Array.Copy(
              bNewLine,
              0,
              bThicketContent[i],
              bThicketHeader.LongLength + bThicketBody.LongLength,
              bNewLine.LongLength);
            lMHTMLBodyLength += bThicketContent[i].LongLength;
          }
       }
       //MHTML 文件结束分割符的存储在字节数组中
       byte[] bEndBoundary = encoding.GetBytes(
          Environment.NewLine + "--" + BOUNDARY + "--" +Environment.NewLine);
       lMHTMLBodyLength += bEndBoundary.LongLength;

        // 新建一个数组,该数组用于存储MHTML文件的所有内容
       byte[] bMHTMLBody = new byte[lMHTMLBodyLength];
       // 将所有的内容全部合并,并存储在数组bMHTMLBody
       Array.Copy(bMIME, 0, bMHTMLBody, lOffset, bMIME.LongLength);
       lOffset += bMIME.LongLength;
       Array.Copy(bMainHeader, 0, bMHTMLBody, lOffset, bMainHeader.LongLength);
       lOffset += bMainHeader.LongLength;
       Array.Copy(bMainBody, 0, bMHTMLBody, lOffset, bMainBody.LongLength);
       lOffset += bMainBody.LongLength;
       if(bThicketContent != null)
          for(int i = 0; i < bThicketContent.Length; i++)
          {
            Array.Copy(
              bThicketContent[i],
              0,
              bMHTMLBody,
              lOffset,
              bThicketContent[i].LongLength);
            lOffset += bThicketContent[i].LongLength;
          }
       Array.Copy(bEndBoundary, 0, bMHTMLBody, lOffset, bEndBoundary.LongLength);
  
       return bMHTMLBody;
     }
   }
   // 根据不同的文件后缀名定义编码方式
   class TransferEncoding
   {
     public const string QUOTED_PRINTABLE =  "quoted-printable";
     public const string BASE64        =  "base64";

     public static string GetTransferEncodingByFileName(string fileName)
     {
       string strExtension = fileName.Remove(0,fileName.LastIndexOf(".")).ToUpper();
       switch(strExtension)
       {
            // 以下文件名在MTHML文件中都将以明文的形式编码
          default:
          case ".HTM":
          case ".HTML":
          case ".CSS":
          case ".XML":
            return TransferEncoding.QUOTED_PRINTABLE;
            // 以下文件名在MHTML文件中都将以BASE64编码形式出现
          case ".JPG":
          case ".JEPG":
          case ".PNG":
          case ".MSO":
          case ".EMZ":
          case ".GIF":
          case ".WMF":
            return TransferEncoding.BASE64;
       }
       return string.Empty;
     }
   }
   // 根据不同的后缀名定义文件内容的类型
   class ContentType
   {
     public const string TEXT_HTML       =  "text/html; charset=\"us-ascii\"";
     public const string APPLICATION_XMSO =  "application/x-mso";
     public const string IMAGE_XEMZ      =  "image/x-emz";
     public const string IMAGE_GIF       =  "image/gif";
     public const string TEXT_CSS       =  "text/css";
     public const string TEXT_XML       =  "text/xml; charset=\"utf-8\"";
     public const string IMAGE_XWMF      =  "image/x-wmf";
     public const string IMAGE_PNG       =  "image/png";
     public const string IMAGE_JPEG      =  "image/jpeg";

     public static string GetContentTypeByFileName(string fileName)
     {
       string strExtension = fileName.Remove(0,fileName.LastIndexOf(".")).ToUpper();
       switch(strExtension)
       {
            // 以下文件名在MHTML文件中的类型是text/html; charset="us-ascii"
          case ".HTM":
          case ".HTML":
            return ContentType.TEXT_HTML;
            // 以下文件名在MHTML文件中的类型是application/x-mso
          case ".MSO":
            return ContentType.APPLICATION_XMSO;
           // 以下文件名在MHTML文件中的类型是image/x-emz
          case ".EMZ":
            return ContentType.IMAGE_XEMZ;
            // 以下文件名在MHTML文件中的类型是image/gif
          case ".GIF":
            return ContentType.IMAGE_GIF;
            // 以下文件名在MHTML文件中的类型是text/css
          case ".CSS":
            return ContentType.TEXT_CSS;
            // 以下文件名在MHTML文件中的类型是text/xml; charset="utf-8"
          case ".XML":
            return ContentType.TEXT_XML;
            // 以下文件名在MHTML文件中的类型是image/x-wmf
          case ".WMF":
            return ContentType.IMAGE_XWMF;
            // 以下文件名在MHTML文件中的类型是image/png
          case ".PNG":
            return ContentType.IMAGE_PNG;
            // 以下文件名在MHTML文件中的类型是image/jpeg
          case ".JPG":
          case ".JEPG":
            return ContentType.IMAGE_JPEG;
       }
       return string.Empty;
     }
   }
}

你可能感兴趣的:(html,Office,休闲,mht,MHTML)