nodejs實現一個word文檔解析器

動機

以前項目裏遇到一個需求，須要前端上傳一個word文檔，而後後端提取出該文檔的指定位置的內容並保存。這裏後端用的是nodejs，開始接到這個需求，發現無從下手，主要是沒有處理過word這種類型的文檔，怎麼解析? Excel卻是有相關的庫能夠用，並且很簡單

思路

搜索了好一下子，在npm上發現了一個叫作adm-zip的包，這個包能夠解壓縮word文檔，原來word文檔也是能夠解壓縮的，以前一直不知道,經過以下代碼就能夠將word文檔解壓縮，並進一步提取內容

var admZip = require('adm-zip');
const zip = new admZip('test.docx');
//將該docx解壓到指定文件夾result下
zip.extractAllTo("./result", /*overwrite*/true);
複製代碼

首先咱們新建一個docx文檔，內容以下

而後運行上述代碼進行解壓縮，獲得以下的文件，由下圖能夠看出生成了好幾個文件夾，word的內容實際上是在word文件夾裏的document.xml文件內(這裏解壓縮後其實源文件還在，並無消失)

進入word文件夾後的內容

咱們繼續打開document.xml文件來一探究竟裏面究竟是啥？注意要用瀏覽器直接打開，若是用ide打開顯示出的全部內容都在一行，沒法閱讀！

上圖只是word文檔的一部分，會發現word文檔內看着只有幾段文字，可是xml中倒是長篇大論，仔細分析下也很正常，xml全稱可擴展標記語言，其被設計爲傳輸和存儲數據，它僅僅是一個純文本的表示，而word中內容格式變幻無窮，確定須要一種方法來有效描述這些內容的格式，所以採用了xml來描述

咱們嘗試一下將測試文檔四個字加粗變色傾斜字體，以下圖

而後再進行解壓縮，獲得docuemnt.xml並查看對應的內容，以下

這就很明顯了， <w:b/>表示文字加粗, <w:i/>表示文字傾斜， <w:color>表示文字的顏色，因此這麼4個字就須要這幾行xml來描述，所以長篇大論的xml也就不足爲奇

提取內容

上面說到了xml僅僅是一個文本的表示，咱們能夠用以下代碼讀取整個xml的內容，結果是一個string

var contentXml = zip.readAsText("word/document.xml");
複製代碼

接下來是重點，如何提取咱們想要的內容呢，答案是正則表達式，首先咱們得分析一下word文檔的結構，word文檔實際上是由叫作Paragraph的段落所構成，在vb中能夠很輕鬆的獲取並修改段落，官網傳送門點此

那麼到底怎麼樣纔是一個Paragraph呢，其實很簡單，仔細觀察word文檔，見到下圖中的小箭頭了麼，每一個小箭頭前面的內容就是一個段落，那麼下圖中一共有16個Paragraph,固然有些段落是空的，沒有任何內容

咱們再來研究xml的結構，收起展開的xml，以下圖，發現 <w:p></w:p>這麼個標籤就是表示的一個段落，中間還有些 <w:p>藏在表格內，這麼一看錶格前面3個段落，後面3個段落，和上圖是對應的

所以， 咱們就能夠提取出每一個段落的文本並返回一個數組，每一項就是一個段落的內容,這樣就可以完整的解析出整個word的內容，關鍵在於如何提取每一個 <w:p>的內容，咱們繼續展開一個 <w:p>進行觀察，以下圖，發現內容雖多，其實文本都保存在 <w:t>中間，所以思路就清晰了， 首先用正則表達式提取出全部<w:p>的內容，再針對每一個<w:p>的內容，進行進一步正則提取，提取出其裏面全部<w:t>的內容，並拼接在一塊兒構成一個段落的總內容

具體代碼

下面是具體的提取代碼

//參數是word文件名,第二個參數是回調錶示解析完成
var parser = function parseWordDocument(absoluteWordPath,callback){
	//返回內容的數組
	var resultList = [];
	//若是文件存在
	fs.exists(absoluteWordPath, function(exists){
		if(exists){
			//解壓縮
			const zip = new admZip(absoluteWordPath);
			//將document.xml(解壓縮後獲得的文件)讀取爲text內容
			var contentXml = zip.readAsText("word/document.xml");
			//正則匹配出對應的<w:p>裏面的內容,方法是先匹配<w:p>,再匹配裏面的<w:t>,將匹配到的加起來便可
			//注意？表示非貪婪模式(儘量少匹配字符)，不然只能匹配到一個<w:p></w:p>
			var matchedWP = contentXml.match(/<w:p.*?>.*?<\/w:p>/gi);
			//繼續匹配每一個<w:p></w:p>裏面的<w:t>,這裏必須判斷matchedWP存在不然報錯
			if(matchedWP){
				matchedWP.forEach(function(wpItem){
					//注意這裏<w:t>的匹配，有多是<w:t xml:space="preserve">這種格式，須要特殊處理
					var matchedWT = wpItem.match(/(<w:t>.*?<\/w:t>)|(<w:t\s.[^>]*?>.*?<\/w:t>)/gi);
					var textContent = '';
					if(matchedWT){
						matchedWT.forEach(function(wtItem){
							//若是不是<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)
		}
	});
};
複製代碼

注意一下若是段落前有空格，那麼<w:t>的格式是不一樣的，以下，多了這個space描述，因此須要特殊處理

代碼量其實不多，關鍵在於正則的編寫，上述docx文檔提取後的輸出結果以下

最後我把這個工具寫成了一個npm包，地址點這裏