初探JavaScript PDF blob转换为Word docx方法

收藏

PDF转WORD为什么是历史难题

PDF 转Word 是一个非常非常普遍的需求，可谓人人忌危，为什么如此普遍的需求，却如此难行呢，还得看为什么会有这样的一个需求：

PDF文档遵循iOS32000的规范是由Adobe 公司推出的文档格式，之所以应用如此广泛，是因为PDF精确定位了每个字符的坐标、根据坐标绘制的各种形状，使用PDF格式传输和打印文档可以保证格式的一致性，然后很多PDF文件是可用于阅读，展示，打印，但编辑起来是非常困难，如格式调整，文字修改，样式调整等，那么就衍生了PDF 转Word这一历史性的需求，但因为两者之间采用的编码规范以及布局机制的完全不一致，导致转换起来会非常复杂，一般的工具不是格式错乱，就是内容错乱，很难达到客户的原生期望。

其难点在于建立从PDF基于元素位置的格式到Word基于内容的格式的映射。PDF文档实际并不存在段落、表格的概念，PDF转Word要做的就是将PDF文档中“横、竖线条围绕着文本”解析为Word的“表格”，将“文本及下方的一条横线”解析为“文本下划线”，等等。

两个工具两套规则，自古以来两个工具之间的兼容转换，除非是为一家所有，会有通用的标准和接口预留，达到很好的兼容性，但Adobe和微软都是巨大的科技企业，且两款软件功能都是非常强大且覆盖面全，要做到完美的匹配所有规则更是非常苦难。

对于报表用户来说，很多用户会将报表理解为报告，报告自然会联想到Word，那么就很希望在页面中展示的内容能够成 Word 文件来进行存档，编辑等作用。

ActiveReportsJS是前端的报表开发工具，不与后端关联，因此想要将展示的HTML 生成Word，研发团队经过一些调研发现整个过程会非常复杂非常困难，正如他们反馈：“不是一个sprint能解决的问题”，就PDF.js 背后都有强大的Mozilla支撑，更何况Word文档是依托微软的Office开发组件去生成的。

但在实际接触客户的时候，许多用户都会来询问相关内容包括如何用报表设计类似审批表、人事履历表、检测报告等很常见的Word报告。用户对结果都比较满意，但唯一用户不满的是报表结果只能生成pdf。这是传统，这也是核心需求，也是痛点。

本葡萄就有些很着急，于是不信这个邪，在前端工具如此丰富的情况下，竟没有一个这样可用的工具？

开始搜索，打开google，榨干全部脑汁的词汇量输入了我需要的关键词，搜索到了以下结果。

乍一看，第一条完全吻合，Node.js 虽说是服务端也不是不可以接受，只要有方案即可。

使用cloudmersive-convert-api-client 实现任意文件格式的转换

https://cloudmersive.medium.com/how-to-convert-pdf-to-word-docx-format-in-node-js-30291f7c446b

看着非常有戏

代码简单：

但仔细看看代码，果然老天在为我们送东西的时候都在背后的标好了价格：

心想如果可以，付费就付费吧，毕竟我们也是做付费商业软件的专业er，版权意识还是需要有的。

点击登录，用谷歌账号登陆成功后，即可在项目中引用cloudmersive-convert-api-client 安装包。

该JS 库提供了将近几十种的API及Class用于处理转换不同的格式文件：除了将PDF转Word外，还有其他发的文件格式转换，使用起来也是

转换结果测评：

可以识别本地的PDF 文件，转换结果：

1. 能够保证90%的格式和样式，达到要求

2. 图片可直接导入

3. 背景色无法保留

4. 表格无法直接导入为Word的表格，只能作为但文本

5. 页眉页脚信息无法直接导入为Word的页眉页脚，只作为文本

6. 部分内容丢失

l 产品价格

因为整个转换API 只是CloudMersive 的一个API功能，整个产品还附加其他的安全检验等功能，因此产品是按月及并发数收费的。大家可自行搜索了解，不过他们网站倒是提供好了几个文件转换的工具非常好用，无需登录直接获取转换结果

https://cloudmersive.com/tools

尝试既然有PDF流直接暴力转换Word文档，可否？

通过搜索发现PDF对象流直接用JS 转换为Word 文件是非常困难的，而且经过验证ARJS 导出PDF 文件可以用Word软件打开，那么突然想到是否可以找一个中间件，将PDF流直接转换为doc或docx格式，但搜索一番，尝试之后，只是在.pdf前面加了document.docx.pdf

该方法尝试失败。

跟技术大咖聊了之后，才发现pdf和word虽然本质都是二进制流，但内部的声明等都是各自文件特有的属性，因此不能直接转换，简而言之就是是什么文件流就只能保存什么文件流。且PDF 和 Word是两大技术公司背书，直接转换得用专业的工具，因此此路不通。

曲线救Coder: HTML 转换PDF 大工将成？

于是乎，退而求其次，HTML 是万能的，HTML 可以转万物， HTML 转PDF， HTML 转图片，HTML 转Excel等等等，那么 ActiveReportsJS提供了可将报表导出为HTML 文件且格式完全一致，那么方法来了，我直接使用HTML 转 Word不是更方便些？Google搜索果然此类资料比PDF 转Word多了百倍，而且看代码也是操作非常简单：

https://jscodemine.grapecity.com/share/Itym7G5fAUSWY4ffuu2cJw/

只需3步骤：

1. 将报表导出HTML

var pageReport = new ARJS.PageReport();
pageReport.load('./BandedReport.rdlx-json')
.hen(function() { return pageReport.run() })
.then(function(pageDocument) { return HTMLExport.exportDocument(pageDocument) })

复制代码

2. 加工HTML 代码增加office 标记

var header = "<html xmlns:o='urn:schemas-microsoft-com:office:office' "+
"xmlns:w='urn:schemas-microsoft-com:office:word' "+
"xmlns='http://www.w3.org/TR/REC-html40'>"
let reg=/<html>/;
console.log(reg.test(htmlcode));
var test= htmlcode.replace(reg,header);
var sourceHTML='data:application/vnd.ms-word;charset=utf-8,'+encodeURIComponent(test);