查看: 2627|回复: 0

[DIV/CSS] 十行代码教你用 node.js 读取 docx 中的文本

发表于 2017-7-22 08:00:02
句号论坛
前言

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。

通过调用系统底层程序(比如说office)的API来转换; 通过模板,替换数据来实现生成PDF; 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;

后来退而求其次,想通过先将docx转成文字,发现了个textract的包。

当然也有缺点,不支持docx中的标题号,不支持图片等文件。

不怕死的我决定自己干这件事情。

介绍

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。

Paste_Image.png

进入word文件夹

Paste_Image.png

里面有几个主要的文件。

document.xml 这个就是文档的主要内容

numbering.xml 这个就是标题号,以及标题号的一些属性

styles.xml 这个就是样式列表

打开document.xml 你就会发现,所有的文本都是用 标签包着的。这个就是本文的关键

代码 首先,需要通过npm安装一个能查看zip文件的包:adm-zip; 然后,写下下列代码即可
  1. const fs = require("fs");
  2. const AdmZip = require('adm-zip'); //引入查看zip文件的包
  3. const zip = new AdmZip(filePath); //filePath为文件路径
  4. let contentXml = zip.readAsText("word/document.xml");//将document.xml读取为text内容;
  5. let str = "";
  6. contentXml .match(/<w:t>[\s\S]*?<\/w:t>/ig).forEach((item)=>{
  7. str += item.slice(5,-6)});
  8. fs.writeFile("./2.txt",str,(err)=>{//将./2.txt替换为你要输出的文件路径
  9. if(err)throw err;
  10. });
复制代码

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

2月13日更新

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。

  1. //原代码
  2. //str += item.replace("<w:t>","").replace("</w:t>","");
  3. //更新代码
  4. str += item.slice(5,-6)
复制代码

附上测试代码

  1. var str = "<w:t>sdfjpasif aefnmasd;lf asdfsdf</w:t>";
  2. var arr = [];
  3. for(var i=0;i<50000;i++){
  4. arr.push(str);
  5. }
  6. console.time("replactest");
  7. arr.forEach((item)=>{
  8. item.replace(/<w:t>/,"").replace(/<\/w:t>/,"");
  9. });
  10. console.timeEnd("replactest");
  11. //replactest: 20.560ms
  12. console.time("replactest2");
  13. arr.forEach((item)=>{
  14. item.replace(/<\/*w:t>/g,"");
  15. });
  16. console.timeEnd("replactest2");
  17. //replactest2: 14.926ms
  18. console.time("replactest3");
  19. arr.forEach((item)=>{
  20. item.replace(/(^<w:t>)|(<\/w:t>$)/g,"");
  21. });
  22. console.timeEnd("replactest3");
  23. //replactest3: 14.402ms
  24. console.time("slice");
  25. arr.forEach((item)=>{
  26. item.slice(5,-6);
  27. });
  28. console.timeEnd("slice");
  29. //slice: 1.718ms
复制代码

来自:http://www.jianshu.com/p/68a420a68ded



太阳http代理AD
回复

使用道具 举报

关闭

站长推荐上一条 /1 下一条