nodejs实现一个word文档解析器思路详解


Posted in NodeJs onAugust 14, 2018

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,官网传送门点此

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,地址点这里

NodeJs 相关文章推荐
nodejs教程之制作一个简单的文章发布系统
Nov 21 NodeJs
Nodejs为什么选择javascript为载体语言
Jan 13 NodeJs
进阶之初探nodeJS
Jan 24 NodeJs
搭建简单的nodejs http服务器详解
Mar 09 NodeJs
NodeJS测试框架mocha入门教程
Mar 28 NodeJs
NodeJS简单实现WebSocket功能示例
Feb 10 NodeJs
NodeJS安装图文教程
Apr 19 NodeJs
nodejs更改项目端口号的方法
May 13 NodeJs
NodeJS实现一个聊天室功能
Nov 25 NodeJs
Nodejs实现WebSocket代码实例
May 19 NodeJs
基于NodeJS开发钉钉回调接口实现AES-CBC加解密
Aug 20 NodeJs
Nodejs 微信小程序消息推送的实现
Jan 20 NodeJs
NodeJs项目中关闭ESLint的方法
Aug 09 #NodeJs
nodejs之koa2请求示例(GET,POST)
Aug 07 #NodeJs
NodeJS实现自定义流的方法
Aug 01 #NodeJs
nodejs 生成和导出 word的实例代码
Jul 31 #NodeJs
nodejs(officegen)+vue(axios)在客户端导出word文档的方法
Jul 31 #NodeJs
nodejs 十六进制字符串型数据与btye型数据相互转换
Jul 30 #NodeJs
NodeJS 中Stream 的基本使用
Jul 30 #NodeJs
You might like
php开发工具有哪五款
2015/11/09 PHP
ExtJS GTGrid 简单用户管理
2009/07/01 Javascript
javascript实现的基于金山词霸网络翻译的代码
2010/01/15 Javascript
基于jQuery试卷自动排版系统
2010/07/18 Javascript
Jquery从头学起第四讲 jquery入门教程
2010/08/01 Javascript
javascript的渐进增强与平稳退化浅谈
2013/11/12 Javascript
jQuery 隐藏和显示 input 默认值示例
2014/06/03 Javascript
Nodejs中调用系统命令、Shell脚本和Python脚本的方法和实例
2015/01/01 NodeJs
移动设备web开发首选框架:zeptojs介绍
2015/01/29 Javascript
jQuery实现下滑菜单导航效果代码
2015/08/25 Javascript
AngularJS中如何使用$http对MongoLab数据表进行增删改查
2016/01/23 Javascript
EasyUI布局 高度自适应
2016/06/04 Javascript
全面解析Bootstrap中tab(选项卡)的使用方法
2016/06/06 Javascript
js实现获取两个日期之间所有日期的方法
2016/06/17 Javascript
原生JS实现首页进度加载动画
2016/09/14 Javascript
关于Javascript中defer和async的区别总结
2016/09/20 Javascript
jQuery旋转插件jqueryrotate用法详解
2016/10/13 Javascript
require.js 加载 vue组件 r.js 合并压缩的实例
2016/10/14 Javascript
javascript表达式和运算符详解
2017/02/07 Javascript
Vue导出json数据到Excel电子表格的示例
2017/12/04 Javascript
uni-app如何实现增量更新功能
2020/01/03 Javascript
vue 自定指令生成uuid滚动监听达到tab表格吸顶效果的代码
2020/09/16 Javascript
python的绘图工具matplotlib使用实例
2014/07/03 Python
Python中使用Queue和Condition进行线程同步的方法
2016/01/19 Python
pygame加载中文名mp3文件出现error
2017/03/31 Python
基于Python数据可视化利器Matplotlib,绘图入门篇,Pyplot详解
2017/10/13 Python
在dataframe两列日期相减并且得到具体的月数实例
2018/07/03 Python
python面试题Python2.x和Python3.x的区别
2019/05/28 Python
django rest framework 自定义返回方式
2020/07/12 Python
用python对excel查重
2020/12/07 Python
解决python 在for循环并且pop数组的时候会跳过某些元素的问题
2020/12/11 Python
美国内衣品牌:Leonisa
2016/08/14 全球购物
英国玛莎百货美国官网:Marks & Spencer美国
2018/11/06 全球购物
股东授权委托书范本
2014/09/13 职场文书
小学教师岗位职责
2015/04/02 职场文书
教你怎么用Python处理excel实现自动化办公
2021/04/30 Python