nodejs实现一个word文档解析器思路详解


            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

 

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)

 



进入word文件夹后的内容

 



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！

 



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

 



然后再进行解压缩，得到docuemnt.xml并查看对应的内容，如下

 

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，官网传送门点此

 



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

 

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

 

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

 

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

 



最后我把这个工具写成了一个npm包，地址点这里