十行代碼教你用 node.js 讀取 docx 中的文本

前言

最近有一個case。需要去解析word文檔。有兩個需求，一個是將word文檔轉成PDF，一個是將word文檔中的內容按照一定的規范讀取到數據庫中，去npm倉庫找了大概有十幾個包，發現主要是通過以下的方式來轉換代碼。

• 通過調用系統底層程序（比如說office）的API來轉換；
• 通過模板，替換數據來實現生成PDF；
• 通過有些免費將word轉成PDF的網站來實現將word轉成PDF，比如docx-to-pdf；

后來退而求其次，想通過先將docx轉成文字，發現了個textract的包。

當然也有缺點，不支持docx中的標題號，不支持圖片等文件。

不怕死的我決定自己干這件事情。

介紹

其實docx就是一個zip包，然后封裝了一些xml文件。可以直接將docx的包改后綴為.zip來打開觀看。

Paste_Image.png

進入word文件夾

Paste_Image.png

里面有幾個主要的文件。

document.xml 這個就是文檔的主要內容

numbering.xml 這個就是標題號，以及標題號的一些屬性

styles.xml 這個就是樣式列表

打開document.xml 你就會發現，所有的文本都是用 <w:t>標簽包著的。這個就是本文的關鍵

代碼

• 首先，需要通過npm安裝一個能查看zip文件的包：adm-zip；
• 然后，寫下下列代碼即可

  const fs = require("fs");
  const AdmZip = require('adm-zip'); //引入查看zip文件的包
  const zip = new AdmZip(filePath); //filePath為文件路徑
  let contentXml = zip.readAsText("word/document.xml");//將document.xml讀取為text內容；
  let str = "";
  contentXml .match(/<w:t>[\s\S]*?<\/w:t>/ig).forEach((item)=>{
  str += item.slice(5,-6)});
  fs.writeFile("./2.txt",str,(err)=>{//將./2.txt替換為你要輸出的文件路徑
  if(err)throw err;
  });

最近正在用node.js去解析docx的工作。先將最簡單的寫在上面。回頭有空再繼續分享

2月13日更新

之前隨手寫的代碼，今天測試發現用更新后的代碼比源代碼的效率提升十倍以上。

//原代碼
//str += item.replace("<w:t>","").replace("</w:t>","");
//更新代碼
str += item.slice(5,-6)

附上測試代碼

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> 
  
 
 
  
來自：http://www.jianshu.com/p/68a420a68ded