手动解析word Table模块内容

最近来了一个需求, 需要手动解析word ( 好处就是不需要安装office 以及不会有office解析的线程残留),然后就是可以自定义解析规则,比较方便

比如解析这个word里面的内容: 标题,表格的行和列,以及单元格里面的每一个项

解决方案

使用 DocumentFormat.OpenXml.dll + WindowsBase.dll+正则表达式

WindowsBase.dll  和 DocumentFormat.OpenXml.dll 都是微软的,

可以不用安装office 就能得到 对应的 文档( word,excel) 的 xml格式文本内容,缺点是 只支持 docx,xlsx ,

低版本的(doc,xls)读不出来(可能是未按照对应的协议进行排版),

另外再说一个比较 麻烦的问题,  金山wps和 office ,以及其他厂商的,对 word文件 的内部实现不一样,解析的话需要做兼容处理.

以下是主要的对象以及方法:(仅供参考)

//引入命名空间

using System.Text.RegularExpressions;
using DocumentFormat.OpenXml;
using DocumentFormat.OpenXml.Packaging;
using DocumentFormat.OpenXml.Wordprocessing;

using (WordprocessingDocument doc = WordprocessingDocument.Open(stream, false))
  {
      Body body = doc.MainDocumentPart.Document.Body;

      foreach (var xmlElement in body.Elements<OpenXmlElement>())
      {
           List<string> RowElement = new List<string>();
           foreach (var item in xmlElement.ChildElements)
           {
               string elementText = item.InnerText.Trim();
               if (!string.IsNullOrEmpty(elementText))
               {
                   //处理 elementText
                   RowElement.Add(elementText);
               }
          }
      }
  }

 string bodyInnerXml = body.InnerXml;
 //然后通过 正则表达式 "<w:tbl(\\s|>)(.+?)</w:tbl>" 得到 table的个数

/*2.解析 table 对应的 单元格数据*/
 foreach (var table in body.Elements<Table>())
{
     string t_table_xml = table.InnerXml;
     //通过正则 "<w:tr(\\s|>)(.+?)</w:tr>"); 匹配行的个数
     //通过正则"<w:tr(\\s|>)(.+?)</w:tr>", "<w:tc>(.+?)</w:tc>" 匹配列的个数

}

 //遍历行
 foreach (var tableRow in table.Elements<TableRow>())
 {
     string rowInnerText = tableRow.InnerText;
     //遍历列
   foreach (var tableCell in tableRow.Elements<TableCell>())
   {
     //凡是实现了IEnumerable接口的类，都可以使用foreach循环迭代遍历, 不过很遗憾,没有提供 this[index] 的访问方式
      string celInnerXml = tableCell.InnerXml;
      //要解析 单个item项的内容. 只能通过 正则表达式了, 不同的厂商, 里面的xml内容是不一样的, 所以要做很多的兼容....
      if ((celInnerXml.Contains("<w:numPr>")|| celInnerXml.Contains("w:pPr>"))&& celInnerXml.Contains("</w:p>"))
      {

           //1.目前来说是这样做兼容的 

           //2.然后通过正则 "<w:numPr(\\s|>)(.+?)</w:p>" 和 "<w:pPr(\\s|>)(.+?)</w:p>" 判断是否有对应的 匹配项

           //3.就算得到了 匹配项,. 里面还有很多的样式代码,要把这些样式代码都替换掉(通过正则 @"<(.[^>]*)>" 进行替换)

           //4.另外还有各种有序符号,无序符号,以及 checkbox框( □ ) 等 标识符, 这些字符贴到网页上 的code值好像都是9633 

           // 5.在 word里面  无序符号 是通过特殊的标签定义的,不同厂商的标签不一样,要识别不同厂商的只能做兼容处理
          

      }

   }

}

贴3个比较有用的方法

        /// <summary>
        /// 去除所有Html标签,以及换行,制表符
        /// </summary>
        /// <param name="Htmlstring">要格式化的字符串</param>
        /// <returns></returns>
        public static string NoHTML(string Htmlstring) //去除HTML标记
        {
            //删除脚本
            Htmlstring = Regex.Replace(Htmlstring, @"<script.+?</script>", "", RegexOptions.Multiline | RegexOptions.IgnoreCase);
            //删除HTML
            Htmlstring = Regex.Replace(Htmlstring, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);

            Htmlstring = Regex.Replace(Htmlstring, @"-->", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"<!--.*", "", RegexOptions.IgnoreCase);

            Htmlstring = Regex.Replace(Htmlstring, @"&(quot|#34);", "/", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(amp|#38);", "&", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(lt|#60);", "<", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(gt|#62);", ">", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(nbsp|#160);", " ", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(iexcl|#161);", "/xa1", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(cent|#162);", "/xa2", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(pound|#163);", "/xa3", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&(copy|#169);", "/xa9", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"&#(/d+);", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"\r\n|\n|\t", "");

            return Htmlstring;
        }

        public static string NoXml(string xmlString,string replaceEmpty="")//去除xml标记
        {
            //删除脚本
           // xmlString = Regex.Replace(xmlString, @"<script.+?</script>", "", RegexOptions.Multiline | RegexOptions.IgnoreCase);
            //删除<>标签内的内容
            xmlString = Regex.Replace(xmlString, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);
            if (replaceEmpty.Length>0)
            {
                xmlString = xmlString.Replace(replaceEmpty, "");
            }
            xmlString = xmlString.Replace("□", "");
            return xmlString;
        }

        /// <summary>
        /// 得到所有(.+?)匹配到的集合
        /// </summary>
        /// <param name="regexStr">带(.+?)的正则表达式</param>
        /// <param name="inputHtml">Html源代码</param>
        /// <returns></returns>
        public static List<string> GetMatchRegexList(string regexStr, string inputHtml)
        {
            List<string>list = new List<string>();
            StringBuilder sbulider = new StringBuilder();
            if (!string.IsNullOrEmpty(regexStr))
            {
                Regex regex = new Regex(regexStr, RegexOptions.Singleline | RegexOptions.IgnoreCase);
                if (regex.IsMatch(inputHtml))
                {
                    MatchCollection mc = regex.Matches(inputHtml);
                    for (int i = 0; i < mc.Count; i++)
                    {
                        list.Add(mc[i].Groups[0].Value);
                    }
                }
            }
            return list;
        }

  GetInnerHtml(p_text:string):string{

    //p_text = p_text.replace(//g,"@rn");
    p_text = p_text.replace(/□/g,''); //这个是 9633
    p_text = p_text.replace(/<span style="white-space:pre">/g,'@rn');//兼容处理
    p_text = p_text.replace(/<br>/g,'@rn');//换行
    p_text = p_text.replace(/<\/br>/g,'@rn');//换行
    p_text = p_text.replace(/<\/p>/g,'<\/p>@rn');//换行
    p_text = p_text.replace(/<(.[^>]*)>/g,'');//去除<>标签块的内容

    p_text = p_text.replace(/@rn /g,'@rn'); //兼容处理
    p_text = p_text.replace(/n /g,''); //兼容处理,一些稀奇古怪的东西
    p_text = p_text.replace(/@rn/g,'@rn');//多个换行,替换为一个换行
    //... 其他的兼容性代码
     return p_text;
   }
  //其他代码
  // console.log(("□".charCodeAt(0))); //无序符号,粘贴到网页里面, 变成了 这个字符, 经测定,该字符的 code值 为 9633

另外如果是 直接将word里面的内容, 粘贴到 网页上的div里面,  然后获取innerHTML 代码, 传到后台, 需要做一下预处理
比如我这里标记换行, 用的是 "@rn" 字符