xml 解析

docx格式文档详解：xml解析html还原 　　一、应用场景：有什么用处？ 　　很多人在处理企业信息化的工作中，经常会用到word的解析。理论上，word里展示的所有内容，程序员都能拿到。能解析word的前提，就是docx格式。 　　二、docx格式：为什么出现？ 　　不知道您各位有没有印象，从某个时期开始，微软办公文件名的小尾巴多了一个“x”。原来word、PowerPoint还有excel，后缀名分别是doc、ppt、xls。后来，就突然涌现出了docx、pptx、xlsx。 　　到目前为止，这些x们占据了主流市场。 　　

　　为什么？为什么要这样？我仿佛听到Office家族在抱着扫帚悲伤地唱：你伤害了Word，还Excel而过，你Access的贪婪，我PowerPoint…… 　　原来的doc格式是加密的，只有微软自己家的软件才能打开。 　　后来微软觉得，这样并没有让自己很神圣，反而限制了自己的发展。 　　比如，金山WPS也是搞办公软件的，它的发展很快，积累了很多用户。不少人开始用wps了，word的用户面临被瓜分。于是，微软就基于Office Open XML标准，把文档家族做了兼容。 　　因为新标准是采用的xml格式记录信息的，所以就在.doc后面加了个x。新标准之后，即便是微软创建的文档，WPS也能打开。这样，用户只关心文档就行，不用在意用哪个软件，这就实现了用户共享。 　　反正，是这个意思，我猜的，别全信…… 　　三、文件结构：怎么来解析？ 　　那么，docx格式究竟是什么样子的呢？ 　　

　　它看起来是个文件，其实，它是个压缩包。 　　下面就是一个docx文档，是我亲手编辑的。 　　

　　我再亲自做一下解压缩：将.docx改为.zip，右键选择解压文件，它就露出原形了。 　　

　　上图演示了解压缩，并打开了文件夹，这是文档里出现的图片。分析发现，在docx中同一张图复制多次，media里面只保留一张原图。这说明，它是个勤俭节约的好孩子。承载同样多的内容，docx格式比doc的体积要小。 　　正如我们看到，解压后它是有目录结构的。 　　

　　放心，我不会挨个把文件都给你介绍一遍。因为，那并没有什么用。即便有用，你也记不住。即便你记得住，我也说不明白……为什么要学习那么全面的知识呢？汉字总计10万多个，常用字只有2500个，够用了。 　　我说几个比较关键的点。 　　3.1 主文件 document.xml 　　位于word下的文件，是docx的主战场。可以说，文档中你能看到的所有内容，在这里都有直接或者间接的记录。 　　是一个格式的文档。 　　我们来打开它，咱们先只打开一级。 　　为了你能看下去，我对数据做了处理，保证你只能看到关键信息。 　　我们看到，体里，只有3种标签，分别是、和。 　　

　　一个docx文档，基本由这三种成分组成。指的是，指的是段落，表示表格。全称是，这个千万别记，容易扰乱思路。 　　清空你的大脑，docx文档里就两种大类，一种叫段落，另一种叫表格。 　　3.2 段落标签 w:p 　　在docx中，段落是最常见的，是文档中最主要的组成单。 　　和你理解的段落一样。不换行就属于一个段落。即便是“咔咔咔”敲上6个回车，虽然没有内容，那它也属于6个段落，在中是6个。 　　另外，包含图片、流程图、公式等素的内容，也是包含在段落中的。换句话说，它们都是小弟。 　　我们能用代码取到段落的信息吗？当然能！（这自问自答，被怀疑是凑字数） 　　我们用哪类编程语言都可以做到，因为仅仅就是读取文件。 　　但是对于教学而言，用无疑是最佳的选择。 　　我们看一下打印结果，它和源文档完全对应，一个都没有少。 　　

　　下面该详细说一下的小弟们了。 　　3.3 文本标签 w:t 　　在纷杂的文件中，可以扒拉出来一个叫标签。 　　这里面存储的内容，就是word里面的文字，就是的简称。 　　你在docx里面看到的每一个字，基本上都是被和所包裹的。 　　也就是说，如果我们拿出所有标签内的文本，我们就做到了纯文本docx的解析。 　　代码，其实很简单，就是在素中，扫描的标签并取出其内容。 　　上面我们已经拿到了标签，所以从那里继续。 　　看看代码对应的效果。 　　

　　恭喜你，你已经学会了解析docx的文本了。 　　是的，提取一个docx的文本，就是这么简单。你现在就可以写一个程序，可以做到把docx转为txt。 　　但是……有一点我要告诉你，运行代码里的可能会报错，为了便于你理解，我特意写了伪代码。实际上，要从中取出文本内容，可以像下面这样： 　　我认为这么讲，你反而能理解。因为，不用在理解什么叫的时候，还要分散注意力到正则表达式。 　　3.4 连续块 w:r 　　上面我们讲了如何去解析文字。但是，那太简单了。 　　文字是有样式的。 　　

　　都在同一段内的文字，它们的样式，可能不一样。 　　比如前两个字是红色，那么这两个字样式一样。但是，后两个字是绿色，和前面又不一样。 　　为了解决这个问题，docx把具有相同样式的文字，用标签包裹。 　　

　　代表。关于这个的解释，很多国内文档都直接翻译为“”。 　　其实，run在英文中有很多解释。我觉得在这里更适合它的释义应该是：“一段”、“一系列”、“连续上演”。因此，我个人给这个标签起名叫：。表示在这个标签之内的文本，是一个系列的，他们的特点是连续不间断的。 　　代码依然是处理文件的那一套，不是找标签就是拿属性。 　　还有其他的样式标签，你可以自己研究。我这里先抛砖引玉，举两个例子。 　　比如上面例子中的字体颜色，一般在标签内。依然表示，表示，表示，是修饰、装饰的意思。这个标签的释义就是：连续块的样式说明。类似的还有，表示对段落的样式说明。，表示对表格单格的样式说明。 　　我们来看一下，连续块修饰是如何定义的。 　　比如对于粗体、斜体的说明。 　　

　　用代码进行判断，主要是的读取。能找到，就说明有此种样式的标记。 　　再比如对于各种线条的说明。

　　上面的例子，如果用代码进行判断的话，除了对 存在的判断，还需要属性值，表示用了哪一类具体的样式。 　　我可以很负责任地说，只要是文档中呈现的信息，在文件中都可以找到对应的标注。 　　我可以“吧啦吧啦”全告诉你，但是会影响你看其他的内容。有兴趣你可以去查资料，都是手册类型的资料，很方便。 　　我倒是觉得，你自己在word中标记一下，然后解压缩观察文件的变化，这样子学的更牢。反正我就是这么学来的。 　　以下是我用html把一个word文档做了复原。 　　这是docx原文档： 　　

　　这是解析docx文档后呈现的html页面： 　　

　　我们可以看到，包括字号、字体、字色、标线都可以复原。 　　只剩下两个重要的内容没有说了。那就是图片和表格。 　　3.5 图像标签 w:drawing 　　docx中的图片是如何从中提取出来的呢？ 　　你在连续块中会发现有一个标签。这里面主要存放的，就是图画相关的信息。 　　图片仅仅是中的一个小分类。除了图片，还有图表、形状、流程图等。 　　

　　今天，咱们说个最简单的，那就是如何提取图片。 　　图片的标签是，他在中如下定义： 　　其中，图片文件就藏在中，里面的就是捕获图片的线索。 　　还记不记得解压缩时，那个media文件夹，里面有好多图片。 　　

　　是有图片，但这也不是呀？ 　　别急，有个文件专门做关联这件事情。它就是解压缩之后的文件。 　　打开这个文件： 　　哈哈，这里有档案，记录了哪个指向哪个文件。于是，我们解析这个文件，就可以拿到对应关系。 　　然后，遇到中等于的，就把这个图片文件展示出来。 　　这，就实现了图片的解析。 　　可以鼓掌了！ 　　3.6 表格标签 w:tbl 　　表格标签的地位很重，它和段落标签平级。 　　分析整个文档的顶层组成素，我们不难发现，除了就是。 　　一开始，我不理解。为什么图表、流程图那么复杂的素，却不配得到表格那么高的地位。天理何在？ 　　后来，我解析到一个表格后发现。我，好像低估了大佬的地位。 　　

　　如果，你看到上面的图没有笑喷。那说明，你可能没有看懂本文。或者是我的笑点出了问题。 　　单纯表格的结构，其实不复杂。但是，表格里每一个单格，却可以容纳另一个word文档。表格里面，图片、图表、文本样式，甚至表格里再来一个表格，什么都可以添加，它甚至是包含了大佬。和并列，它反而是委屈的。 　　我们来看一下表格的基本结构。 　　节点素中，主要有两部分内容，一个介绍表格列的个数。另一个是包含表格行的信息。 是的缩写。 　　其中，里面有，这里面是格子的内容。我们发现其内容，居然是一个它的兄弟节点。在此，给表格大佬深深地鞠上一躬。 　　是的缩写，表示单格的意思。有人可能会说，是的缩写，表示表格的列。当我后面论述带有合并单格的表格时，从结构上看，我们会感觉更适合语境。 　　先说基本表格的解析，如下图所示： 　　

　　解析的代码参考如下： 　　运行一下代码，结果如下： 　　

　　这里面我又挖坑了，除了前面讲时的陷阱之外。的内容应该是去解析完整的结构，而这里我只取了文本。这样最简单。因为，我们是要理解表格的结构。因此，其他的可以假装看不见。 　　但是，也由此可见，做好表格解析的前提，是做好段落解析。因为表格单格里是段落。 　　我相信，有了表格的解析结果（二维数组），你很容易就可以把它还原成表格页面用于展示。只需要循环就好，第一层循环行，第二层循环列。 　　我还是用1分钟写一下代码吧： 　　据我所知，世界上的表格除了上面那种简单的，还有一些稍微复杂的。那就是带有合并单格的表格。 　　比如下面这种： 　　

　　这类表格的解析稍微复杂一些，它们属于复杂里面最简单的。 　　我们来看看他们的数据是如何定义的。 　　首先看带有跨行的表格的例子。 　　

　　对于跨行的情况，我们发现表格的数据，该有的行和列，数量都没有变。只是在要合并的单格上标记了一个标签。 　　这个标签表示有跨行的单格。表示，是竖直方向的意思。表示竖直合并。这个标签里面还有属性值，当值为时表示此单格开始出现合并，表示此单格没有结束，继续保持，直到遇到非情况。 　　再来看看跨列的情况。 　　

　　跨列因为发生在行内，是行内矛盾，不影响其他行。所以，我们看到只有在第1行的第1格中，采用标签，说明本行有跨列的单格。值是，表示跨个单位。 　　为什么我前面说，是的缩写。我的依据就在这里。其实这个表格的结构是2行2列。如果指的是的话，它应该有2个，后一个复用前一个。但是，我们看上图里的结构，它只有一个。那我们称呼它叫单格更贴切，因为它只有一个框。你可以反驳我，我会立马说，你说的对，但以后依然称呼它单格。