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

nodejs实现一个word文档解析器思路详解

程序员文章站 2022-04-10 19:49:38
之前项目里遇到一个需求,需要前端上传一个word文档,然后后端提取出该文档的指定位置的内容并保存。这里后端用的是nodejs,开始接到这个需求,发现无从下手,主要是没有处理...

之前项目里遇到一个需求,需要前端上传一个word文档,然后后端提取出该文档的指定位置的内容并保存。这里后端用的是nodejs,开始接到这个需求,发现无从下手,主要是没有处理过word这种类型的文档,怎么解析? excel倒是有相关的库可以用,而且很简单

思路

搜索了好一会儿,在npm上发现了一个叫做 adm-zip 的包,这个包可以解压缩word文档,原来word文档也是可以解压缩的,之前一直不知道,通过如下代码就可以将word文档解压缩,并进一步提取内容

var admzip = require('adm-zip');
const zip = new admzip('test.docx');
//将该docx解压到指定文件夹result下
zip.extractallto("./result", /*overwrite*/true);

首先我们新建一个docx文档,内容如下

nodejs实现一个word文档解析器思路详解 

然后运行上述代码进行解压缩,得到如下的文件,由下图可以看出生成了好几个文件夹,word的内容其实是在word文件夹里的document.xml文件内(这里解压缩后其实源文件还在,并没有消失)

nodejs实现一个word文档解析器思路详解 

进入word文件夹后的内容

nodejs实现一个word文档解析器思路详解 

我们继续打开document.xml文件来一探究竟里面到底是啥?注意要用浏览器直接打开,如果用ide打开显示出的所有内容都在一行,无法阅读!

nodejs实现一个word文档解析器思路详解 

上图只是word文档的一部分,会发现word文档内看着只有几段文字,但是xml中却是长篇大论,仔细分析下也很正常,xml全称可扩展标记语言,其被设计为传输和存储数据,它仅仅是一个纯文本的表示,而word中内容格式千变万化,肯定需要一种方法来有效描述这些内容的格式,因此采用了xml来描述

我们尝试一下将 测试文档 四个字加粗变色倾斜字体,如下图

nodejs实现一个word文档解析器思路详解 

然后再进行解压缩,得到docuemnt.xml并查看对应的内容,如下

nodejs实现一个word文档解析器思路详解 

这就很明显了, <w:b/> 表示文字加粗, <w:i/> 表示文字倾斜, <w:color>
表示文字的颜色,所以这么4个字就需要这几行xml来描述,因此长篇大论的xml也就不足为奇

提取内容

上面说到了xml仅仅是一个文本的表示,我们可以用如下代码读取整个xml的内容,结果是一个 string

var contentxml = zip.readastext("word/document.xml");

接下来是重点,如何提取我们想要的内容呢,答案是正则表达式,首先我们得分析一下word文档的结构,word文档其实是由叫做 paragraph 的段落所构成,在vb中可以很轻松的获取并修改段落,官网传送门

nodejs实现一个word文档解析器思路详解 

那么到底怎么样才是一个 paragraph 呢,其实很简单,仔细观察word文档,见到下图中的小箭头了么,每个小箭头前面的内容就是一个段落,那么下图中一共有16个 paragraph ,当然有些段落是空的,没有任何内容

nodejs实现一个word文档解析器思路详解 

我们再来研究xml的结构,收起展开的xml,如下图,发现 <w:p></w:p> 这么个标签就是表示的一个段落,中间还有些 <w:p>

藏在表格内,这么一看表格前面3个段落,后面3个段落,和上图是对应的

nodejs实现一个word文档解析器思路详解 

因此, 我们就可以提取出每个段落的文本并返回一个数组,每一项就是一个段落的内容 ,这样就能够完整的解析出整个word的内容,关键在于如何提取每个 <w:p> 的内容,我们继续展开一个 <w:p> 进行观察,如下图,发现内容虽多,其实文本都保存在 <w:t> 中间,因此思路就清晰了, 首先用正则表达式提取出所有<w:p>的内容,再针对每个<w:p>的内容,进行进一步正则提取,提取出其里面所有<w:t>的内容,并拼接在一起构成一个段落的总内容

nodejs实现一个word文档解析器思路详解 

具体代码

下面是具体的提取代码

//参数是word文件名,第二个参数是回调表示解析完成
var parser = function parseworddocument(absolutewordpath,callback){
 //返回内容的数组
 var resultlist = [];
 //如果文件存在
 fs.exists(absolutewordpath, function(exists){
 if(exists){
 //解压缩
 const zip = new admzip(absolutewordpath);
 //将document.xml(解压缩后得到的文件)读取为text内容
 var contentxml = zip.readastext("word/document.xml");
 //正则匹配出对应的<w:p>里面的内容,方法是先匹配<w:p>,再匹配里面的<w:t>,将匹配到的加起来即可
 //注意?表示非贪婪模式(尽可能少匹配字符),否则只能匹配到一个<w:p></w:p>
 var matchedwp = contentxml.match(/<w:p.*?>.*?<\/w:p>/gi);
 //继续匹配每个<w:p></w:p>里面的<w:t>,这里必须判断matchedwp存在否则报错
 if(matchedwp){
 matchedwp.foreach(function(wpitem){
  //注意这里<w:t>的匹配,有可能是<w:t xml:space="preserve">这种格式,需要特殊处理
  var matchedwt = wpitem.match(/(<w:t>.*?<\/w:t>)|(<w:t\s.[^>]*?>.*?<\/w:t>)/gi);
  var textcontent = '';
  if(matchedwt){
  matchedwt.foreach(function(wtitem){
  //如果不是<w:t xml:space="preserve">格式
  if(wtitem.indexof('xml:space')===-1){
  textcontent+=wtitem.slice(5,-6);
  }else{
  textcontent+=wtitem.slice(26,-6);
  }
  });
  resultlist.push(textcontent)
  }
 });
 //解析完成
 callback(resultlist)
 }
 }else{
 callback(resultlist)
 }
 });
};

注意一下如果段落前有空格,那么 <w:t> 的格式是不同的,如下,多了这个space描述,所以需要特殊处理

代码量其实很少,关键在于正则的编写,上述docx文档提取后的输出结果如下

nodejs实现一个word文档解析器思路详解 

最后我把这个工具写成了一个npm包,地址点