Apache POIスタイルや不要なタグなしでHtmlを整理するWord

Question

Word文書をHTMLに変換しようとしています。私はApache POIを使用していますが、MS Word独自のhtml保存メソッドと同じように混乱を招きます。私が欲しいのはhttps://html-cleaner.com/のようなものです。
たとえば、テーブルを変換しようとすると、幅プロパティやその他のものは必要ありません。ほんの少し素敵な<td>と<tr>タグは多分<b>とタグしています。

誰でもこれを達成する方法を知っていますか？ところで、私はApache POIを使用することを余儀なくされていません.Html変換をクリーンアップするWordを実現する他のJava APIを知っていれば、私はあなたのアドバイスを公開しています。

Answer 1

回答へのコメントの促進.... Apache Tikaを見てください。アパッチティカは、Apache POIを搭載し、私はあなたがApache Tika example for parsing to XHTMLに従っている場合、あなたが

後にしているものだと思うきれいな、意味的に意味のあるHTMLを与えることを目指している、あなたのような何かをしたい：

public String parseToHTML() throws IOException, SAXException, TikaException { 
    ContentHandler handler = new ToXMLContentHandler(); 

    AutoDetectParser parser = new AutoDetectParser(); 
    Metadata metadata = new Metadata(); 
    try (InputStream stream = ContentHandlerExample.class.getResourceAsStream("test.doc")) { 
    parser.parse(stream, handler, metadata); 
    return handler.toString(); 
    } 
} 

を

さらに、テストのために、を使用して、--xhtmlオプションをファイルと一緒に渡すと、コマンドラインで簡単なXHTMLを返します。