十行代码教你用 node.js 读取 docx 中的文本
ln728
8年前
<h2>前言</h2> <p>最近有一个case。需要去解析word文档。有两个需求,一个是将word文档转成PDF,一个是将word文档中的内容按照一定的规范读取到数据库中,去npm仓库找了大概有十几个包,发现主要是通过以下的方式来转换代码。</p> <ul> <li>通过调用系统底层程序(比如说office)的API来转换;</li> <li>通过模板,替换数据来实现生成PDF;</li> <li>通过有些免费将word转成PDF的网站来实现将word转成PDF,比如docx-to-pdf;</li> </ul> <p>后来退而求其次,想通过先将docx转成文字,发现了个textract的包。</p> <p>当然也有缺点,不支持docx中的标题号,不支持图片等文件。</p> <p>不怕死的我决定自己干这件事情。</p> <h2>介绍</h2> <p>其实docx就是一个zip包,然后封装了一些xml文件。可以直接将docx的包改后缀为.zip来打开观看。</p> <p style="text-align: center;"><img src="https://simg.open-open.com/show/39d321122a77ce620027271e1eeab47f.png"></p> <p>Paste_Image.png</p> <p>进入word文件夹</p> <p style="text-align: center;"><img src="https://simg.open-open.com/show/ce1fb6b96b49460fa0c79f86147d540f.png"></p> <p>Paste_Image.png</p> <p>里面有几个主要的文件。</p> <p>document.xml 这个就是文档的主要内容</p> <p>numbering.xml 这个就是标题号,以及标题号的一些属性</p> <p>styles.xml 这个就是样式列表</p> <p>打开document.xml 你就会发现,所有的文本都是用 <w:t>标签包着的。这个就是本文的关键</p> <h2>代码</h2> <ul> <li>首先,需要通过npm安装一个能查看zip文件的包:adm-zip;</li> <li>然后,写下下列代码即可 <pre> const fs = require("fs"); const AdmZip = require('adm-zip'); //引入查看zip文件的包 const zip = new AdmZip(filePath); //filePath为文件路径 let contentXml = zip.readAsText("word/document.xml");//将document.xml读取为text内容; let str = ""; contentXml .match(/<w:t>[\s\S]*?<\/w:t>/ig).forEach((item)=>{ str += item.slice(5,-6)}); fs.writeFile("./2.txt",str,(err)=>{//将./2.txt替换为你要输出的文件路径 if(err)throw err; });</pre> </li> </ul> <p>最近正在用node.js去解析docx的工作。先将最简单的写在上面。回头有空再继续分享</p> <p>2月13日更新</p> <p>之前随手写的代码,今天测试发现用更新后的代码比源代码的效率提升十倍以上。</p> <pre> //原代码 //str += item.replace("<w:t>","").replace("</w:t>",""); //更新代码 str += item.slice(5,-6)</pre> <p>附上测试代码</p> <pre> var str = "<w:t>sdfjpasif aefnmasd;lf asdfsdf</w:t>"; var arr = []; for(var i=0;i<50000;i++){ arr.push(str); } console.time("replactest"); arr.forEach((item)=>{ item.replace(/<w:t>/,"").replace(/<\/w:t>/,""); }); console.timeEnd("replactest"); //replactest: 20.560ms console.time("replactest2"); arr.forEach((item)=>{ item.replace(/<\/*w:t>/g,""); }); console.timeEnd("replactest2"); //replactest2: 14.926ms console.time("replactest3"); arr.forEach((item)=>{ item.replace(/(^<w:t>)|(<\/w:t>$)/g,""); }); console.timeEnd("replactest3"); //replactest3: 14.402ms console.time("slice"); arr.forEach((item)=>{ item.slice(5,-6); }); console.timeEnd("slice"); //slice: 1.718ms</pre> <p> </p> <p>来自:http://www.jianshu.com/p/68a420a68ded</p> <p> </p>