教你用十行node.js代码读取docx的文本

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。

  1. 通过调用系统底层程序(比如说office)的API来转换;
  2. 通过模板,替换数据来实现生成PDF;
  3. 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。

进入word文件夹


里面有几个主要的文件。

  1. document.xml 这个就是文档的主要内容
  2. numbering.xml 这个就是标题号,以及标题号的一些属性
  3. 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 <w:t>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

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;

});

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

最新更新

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。

//原代码

//str += item.replace("<w:t>","").replace("</w:t>","");

//更新代码

str += item.slice(5,-6)

附上测试代码

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

总结

以上是 教你用十行node.js代码读取docx的文本 的全部内容, 来源链接: utcz.com/z/346696.html

回到顶部