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蔽埋冲整个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，发现内容宏歼虽多，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>液笑的内容，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

1、找到需要转换为word文档的xml文档。

2、选择旦余文档并点击鼠标右键，选择“打开方式”栏目中的“WPS表格”（或者excel表格模盯滚），点击确定按钮。

3、点击后即可使用表格文件开启xml格式的文件了。

4、再将表格文件进行转换 *** 作，点击“文件”中的“另存为”。

5、选好保存路径，并点击选择文件类型为网页(*.htm*.html)后点击确定则厅按钮。

6、然后开启word文档或者WPS文档，点击“文件”中的“打开”选取保存为网页的文件即可实现转换 *** 作。

---