Java中docx转HTML生成的字符串含多余反斜杠如何移除？

问题根因分析 #

• 两种修复方案不生效的核心原因：
  1. StringEscapeUtils.unescapeHtml4用于处理HTML实体转义（比如<转<、"转"），你遇到的是反斜杠转义双引号，属于编程语言/JSON类的转义场景，该工具不适用。
  2. 替换方法的写法存在问题，或是你看到的反斜杠是IDE调试/打印时自动添加的显示转义，并非字符串实际内容。
• 额外存在的代码bug：
  你创建图片存储目录时错误将InputStream对象拼入路径，new File(bibliothequePath + "/images/" + in)中的in是流实例，直接拼接会调用其toString方法，导致路径中出现java.io.FileInputStream@xxx的无效内容。

解决方案 #

1. 修复图片路径错误
   将创建图片目录的代码修改为：

File imageFolder = new File(bibliothequePath + "/images/" + file);

2. 验证反斜杠是否为实际内容
   不要通过IDE调试窗口或控制台打印判断，将返回的字符串直接写入本地HTML文件，查看文件源码是否真的存在多余反斜杠。如果文件中没有反斜杠，说明你之前看到的只是IDE的显示效果，不需要额外处理。
3. 正确编写替换逻辑
   如果确认字符串中确实存在多余反斜杠，使用以下代码替换：

// 字面量替换写法
return out.toString().replace("\\\"", "\"");
// 正则替换写法
return out.toString().replaceAll("\\\\\"", "\"");

4. 指定输出编码
   toString时指定UTF-8编码，避免默认系统编码导致的转义异常：

return out.toString(StandardCharsets.UTF_8.name());

5. 从转换源头配置避免转义
   调整XHTMLOptions配置，关闭不必要的转义：

XHTMLOptions options = XHTMLOptions.create()
    .URIResolver(new FileURIResolver(new File("word/media")))
    .setEscapeXml(false);

内容的提问来源于stack exchange，提问作者Aymen Kanzari