欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

教你用十行node.js代码读取docx的文本

程序员文章站 2023-11-26 14:07:22
前言 最近有一个case。需要去解析word文档。有两个需求,一个是将word文档转成pdf,一个是将word文档中的内容按照一定的规范读取到数据库中,去npm仓库找了大...

前言

最近有一个case。需要去解析word文档。有两个需求,一个是将word文档转成pdf,一个是将word文档中的内容按照一定的规范读取到数据库中,去npm仓库找了大概有十几个包,发现主要是通过以下的方式来转换代码。

  1. 通过调用系统底层程序(比如说office)的api来转换;
  2. 通过模板,替换数据来实现生成pdf;
  3. 通过有些免费将word转成pdf的网站来实现将word转成pdf,比如docx-to-pdf;

后来退而求其次,想通过先将docx转成文字,发现了个textract的包。

当然也有缺点,不支持docx中的标题号,不支持图片等文件。

不怕死的我决定自己干这件事情。

介绍

其实docx就是一个zip包,然后封装了一些xml文件。可以直接将docx的包改后缀为.zip来打开观看。

教你用十行node.js代码读取docx的文本

进入word文件夹

教你用十行node.js代码读取docx的文本

里面有几个主要的文件。

  1. document.xml 这个就是文档的主要内容
  2. numbering.xml 这个就是标题号,以及标题号的一些属性
  3. styles.xml 这个就是样式列表

打开document.xml 你就会发现,所有的文本都是用 <w:t>标签包着的。这个就是本文的关键

代码

首先,需要通过npm安装一个能查看zip文件的包:adm-zip;

然后,写下下列代码即可

const fs = require("fs");
const admzip = require('adm-zip'); //引入查看zip文件的包
const zip = new admzip(filepath); //filepath为文件路径
let contentxml = zip.readastext("word/document.xml");//将document.xml读取为text内容;
let str = "";
contentxml .match(/<w:t>[\s\s]*?<\/w:t>/ig).foreach((item)=>{
str += item.slice(5,-6)});
fs.writefile("./2.txt",str,(err)=>{//将./2.txt替换为你要输出的文件路径
if(err)throw err;
});

最近正在用node.js去解析docx的工作。先将最简单的写在上面。回头有空再继续分享

最新更新

之前随手写的代码,今天测试发现用更新后的代码比源代码的效率提升十倍以上。

//原代码
//str += item.replace("<w:t>","").replace("</w:t>","");
//更新代码
str += item.slice(5,-6)

附上测试代码

var str = "<w:t>sdfjpasif aefnmasd;lf asdfsdf</w:t>";
var arr = [];
for(var i=0;i<50000;i++){
 arr.push(str);
}
console.time("replactest");
arr.foreach((item)=>{
 item.replace(/<w:t>/,"").replace(/<\/w:t>/,"");
});
console.timeend("replactest");
//replactest: 20.560ms

console.time("replactest2");
arr.foreach((item)=>{
 item.replace(/<\/*w:t>/g,"");
});
console.timeend("replactest2");
//replactest2: 14.926ms

console.time("replactest3");
arr.foreach((item)=>{
 item.replace(/(^<w:t>)|(<\/w:t>$)/g,"");
});
console.timeend("replactest3");
//replactest3: 14.402ms

console.time("slice");
arr.foreach((item)=>{
 item.slice(5,-6);
});
console.timeend("slice");
//slice: 1.718ms

总结

以上就是这篇文章的全部内容了,希望本文的内容对大家学习或者使用node.js能带来一定的帮助,如果有疑问大家可以留言交流。