Office文件的解析

Office文件的解析

引用： http://www.langye.com/a/2013417/237.shtml

【题外话】

这是这个系列的最后一篇文章了，为了不让自己觉得少点什么，顺便让自己感觉完美一些，就再把OOXML说一下吧。不过说实话，OOXML真的太容易解析了，而且这方面的文档包括成熟的开源类库也特别特别特别的多，所以我就稍微说一下，文章中引用了不少的链接，感兴趣的话可以深入了解下。

【系列索引】

1. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(一)
   获取Office二进制文档的DocumentSummaryInformation以及SummaryInformation

2. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(二)
   获取Word二进制文档（.doc）的文字内容（包括正文、页眉、页脚、批注等等）

3. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(三)
   详细介绍Office二进制文档中的存储结构，以及获取PowerPoint二进制文档（.ppt）的文字内容

4. Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(完)
   介绍Office Open XML文档（.docx、.pptx）如何进行解析以及解析Office文件常见开源类库

【文章索引】

1. 初见Office Open XML(OOXML)

2. OOXML文档属性的解析

3. Word 2007文件的解析

4. PowerPoint 2007文件的解析

5. 常见Office文档（Word、PowerPoint、Excel）文件的开源类库

6. 相关链接

【一、初见Office Open XML(OOXML)】

先来看一段微软官方对Office Open XML的说明（详细见http://office.microsoft.com/zh-cn/support/HA010205815.aspx?CTT=3）：

可以看到，与Windows 复合文档不同的是，OOXML生来就是开放的，而且由于基于zip+xml的格式，使得读取变得更容易，如果仅是为了抽取文字，我们甚至不需要读取文档的任何参数！

如果您之前不了解OOXML的话，我们可以把手头docx、pptx以及xlsx文件的扩展名改为zip，然后用压缩软件打开看看。

打开的这三个文件分别是docx、pptx和xlsx，我们可以看到，目录结构清晰可见，所以我们只需要使用读取zip的类库读取zip文件，然后再解析xml文件即可。对于使用.NET Framework 3.0及以上的，可以直接使用.NET自带的Package类（System.IO.Packaging，在WindowsBase.dll中）进行解压，个人感觉如果只是读取zip流中的文件流或内容，WindowsBase中的Package还是很好用的。如果用于.NET CF或者2.0甚至以下的CLR可以使用SharpZipLib（支持CLR 1.1、2.0、4.0，官方网站http://www.icsharpcode.net/），也可以使用DotNetZip（支持CLR 2.0，官方网站http://dotnetzip.codeplex.com/），个人感觉后者的License更友好些。

比如我们使用自带的Package打开OOXML文件：

View Code
 #region 字段
 protected  FileStream m_stream;
 protected  Package m_package;
 #endregion

 #region 构造函数
 /// <summary>
 /// 初始化OfficeOpenXMLFile
 /// </summary>
 /// <param name="filePath">文件路径</param>
 public  OfficeOpenXMLFile(String filePath)
 {
     try
     {
         this .m_stream =  new  FileStream(filePath, FileMode.Open, FileAccess.Read);
         this .m_package = Package.Open( this .m_stream);

         this .ReadProperties();
         this .ReadCoreProperties();
         this .ReadContent();
     }
     finally
     {
         if  ( this .m_package !=  null )
         {
             this .m_package.Close();
         }

         if  ( this .m_stream !=  null )
         {
             this .m_stream.Close();
         }
     }
 }
 #endregion

【二、OOXML文档属性的解析】

OOXML文件的文档属性其实存在于docProps目录下，比较重要的有三个文件

• app.xml：记录文档的属性，内容类似之前的DocumentSummaryInformation。

• core.xml：记录文档核心的属性，比如创建时间、最后修改时间等等，内容类似之前的SummaryInformation。

• thumbnail.*：文档的缩略图，不同文件存储的是不同的格式，比如Word为emf，Excel为wmf，PowerPoint为jpeg。

我们只需要遍历XML文件中所有的子节点就可以读出所有的属性，为了好看，这里还用的Windows复合文件中的名称：

View Code
 #region 常量
 private  const  String PropertiesNameSpace = "http://schemas.openxmlformats.org/officeDocument/2006/extended-properties" ;
 private  const  String CorePropertiesNameSpace = "http://schemas.openxmlformats.org/package/2006/metadata/core-properties" ;
 #endregion

 #region 字段
 protected  Dictionary<String, String> m_properties;
 protected  Dictionary<String, String> m_coreProperties;
 #endregion

 #region 属性
 /// <summary>
 /// 获取DocumentSummaryInformation
 /// </summary>
 public  override  Dictionary<String, String> DocumentSummaryInformation
 {
     get
     {
         return  this .m_properties;
     }
 }

 /// <summary>
 /// 获取SummaryInformation
 /// </summary>
 public  override  Dictionary<String, String> SummaryInformation
 {
     get
     {
         return  this .m_coreProperties;
     }
 }
 #endregion

 #region 读取Properties
 private  void  ReadProperties()
 {
     if  ( this .m_package ==  null )
     {
         return ;
     }

     PackagePart part =  this .m_package.GetPart( new  Uri( "/docProps/app.xml" , UriKind.Relative));
     if  (part ==  null )
     {
         return ;
     }

     XmlDocument doc =  new  XmlDocument();
     doc.Load(part.GetStream());

     XmlNodeList nodes = doc.GetElementsByTagName( "Properties" , PropertiesNameSpace);
     if  (nodes.Count < 1)
     {
         return ;
     }

     this .m_properties =  new  Dictionary<String, String>();
     foreach  (XmlElement element  in  nodes[0])
     {
         this .m_properties.Add(element.LocalName, element.InnerText);
     }
 }
 #endregion

 #region 读取CoreProperties
 private  void  ReadCoreProperties()
 {
     if  ( this .m_package ==  null )
     {
         return ;
     }

     PackagePart part =  this .m_package.GetPart( new  Uri( "/docProps/core.xml" , UriKind.Relative));
     if  (part ==  null )
     {
         return ;
     }

     XmlDocument doc =  new  XmlDocument();
     doc.Load(part.GetStream());

     XmlNodeList nodes = doc.GetElementsByTagName( "coreProperties" , CorePropertiesNameSpace);
     if  (nodes.Count < 1)
     {
         return ;
     }

     this .m_coreProperties =  new  Dictionary<String, String>();
     foreach  (XmlElement element  in  nodes[0])
     {
         this .m_coreProperties.Add(element.LocalName, element.InnerText);
     }
 }
 #endregion

【三、Word 2007文件的解析】

Word文件（.docx）主要的内容基本都存在于word目录下，比较重要的有以下的内容

• document.xml：记录Word文档的正文内容

• footer*.xml：记录Word文档的页脚

• header*.xml：记录Word文档的页眉

• comments.xml：记录Word文档的批注

• endnotes.xml：记录WOrd文档的尾注

这里我们只读取Word文档的正文内容，由于OOXML文档在存储文字时也是嵌套结构存储的，比如对于Word而言，<w:p></w:p>之间存储的是段落，段落中会嵌套着<w:t></w:t>，而这个存储的是文字。除此之外<w:tab/>是Tab符号，<w:br w:type="page"/>是分页符等等，所以我们需要写一个方法递归处理这些标签：

View Code
 /// <summary>
 /// 抽取Node中的文字
 /// </summary>
 /// <param name="node">XmlNode</param>
 /// <returns>Node中的文字</returns>
 public  static  String ReadNode(XmlNode node)
 {
     if  ((node ==  null ) || (node.NodeType != XmlNodeType.Element)) //如果node为空
     {
         return  String.Empty;
     }

     StringBuilder nodeContent =  new  StringBuilder();

     foreach  (XmlNode child  in  node.ChildNodes)
     {
         if  (child.NodeType != XmlNodeType.Element)
         {
             continue ;
         }

         switch  (child.LocalName)
         {
             case  "t" : //正文
                 nodeContent.Append(child.InnerText.TrimEnd());

                 String space = ((XmlElement)child).GetAttribute( "xml:space" );
                 if  ((!String.IsNullOrEmpty(space)) && (space ==  "preserve" )) nodeContent.Append( ' ' );
                 break ;
             case  "cr" : //换行符
             case  "br" : //换页符
                 nodeContent.Append(Environment.NewLine);
                 break ;
             case  "tab" : //Tab
                 nodeContent.Append( "\t" );
                 break ;
             case  "p" : //段落
                 nodeContent.Append(ReadNode(child));
                 nodeContent.Append(Environment.NewLine);
                 break ;
             default : //其他情况
                 nodeContent.Append(ReadNode(child));
                 break ;
         }
     }

     return  nodeContent.ToString();
 }

然后我们从根标签开始读取就可以了

View Code
 #region 常量
 private  const  String WordNameSpace = "http://schemas.openxmlformats.org/wordprocessingml/2006/main" ;
 #endregion

 #region 字段
 private  String m_paragraphText;
 #endregion

 #region 属性
 /// <summary>
 /// 获取文档正文内容
 /// </summary>
 public  String ParagraphText
 {
     get  {  return  this .m_paragraphText; }
 }
 #endregion

 #region 读取内容
 protected  override  void  ReadContent()
 {
     if  ( this .m_package ==  null )
     {
         return ;
     }

     PackagePart part =  this .m_package.GetPart( new  Uri( "/word/document.xml" , UriKind.Relative));
     if  (part ==  null )
     {
         return ;
     }

     StringBuilder content =  new  StringBuilder();
     XmlDocument doc =  new  XmlDocument();
     doc.Load(part.GetStream());

     XmlNamespaceManager nsManager =  new  XmlNamespaceManager(doc.NameTable);
     nsManager.AddNamespace( "w" , WordNameSpace);

     XmlNode node = doc.SelectSingleNode( "/w:document/w:body" , nsManager);

     if  (node ==  null )
     {
         return ;
     }

     content.Append(NodeHelper.ReadNode(node));

     this .m_paragraphText = content.ToString();
 }
 #endregion

【四、PowerPoint 2007文件的解析】

PowerPoint文件（.pptx）主要的内容都存在于ppt目录下，而幻灯片的信息则又在slides子目录下，这里边幻灯片按照slide + 页序号 +.xml的名称进行存储，我们挨个顺序读取就可以。不过需要注意的是，由于字符串比较的问题，如“slide10.xml”<"slide2.xml"，所以如果你按顺序读取的话可能会出现页码错乱的情况，所以我们可以先进行排序然后再挨个页面从根标签读取就可以了。

#region 常量
private  const  String PowerPointNameSpace = "http://schemas.openxmlformats.org/presentationml/2006/main" ;
#endregion
#region 字段
private  StringBuilder m_allText;
#endregion
#region 属性
/// <summary>
/// 获取PowerPoint幻灯片中所有文本
/// </summary>
public  String AllText
{
    get  {  return  this .m_allText.ToString(); }
}
#endregion
#region 构造函数
/// <summary>
/// 初始化PptxFile
/// </summary>
/// <param name="filePath">文件路径</param>
public  PptxFile(String filePath) :
    base (filePath) { }
#endregion
#region 读取内容
protected  override  void  ReadContent()
{
    if  ( this .m_package ==  null )
    {
        return ;
    }
    this .m_allText =  new  StringBuilder();
    XmlDocument doc =  null ;
    PackagePartCollection col =  this .m_package.GetParts();
    SortedList<Int32, XmlDocument> list =  new  SortedList<Int32, XmlDocument>();
    foreach  (PackagePart part  in  col)
    {
        if  (part.Uri.ToString().IndexOf( "ppt/slides/slide" , StringComparison.OrdinalIgnoreCase) > -1)
        {
            doc =  new  XmlDocument();
            doc.Load(part.GetStream());
            String pageName = part.Uri.ToString().Replace( "/ppt/slides/slide" , "" ).Replace( ".xml" ,  "" );
            Int32 index = 0;
            Int32.TryParse(pageName,  out  index);
            list.Add(index, doc);
        }
    }
    foreach  (KeyValuePair<Int32, XmlDocument> pair  in  list)
    {
        XmlNamespaceManager nsManager =  new  XmlNamespaceManager(doc.NameTable);
        nsManager.AddNamespace( "p" , PowerPointNameSpace);
        XmlNode node = pair.Value.SelectSingleNode( "/p:sld" , nsManager);
        if  (node ==  null )
        {
            continue ;
        }
        this .m_allText.Append(NodeHelper.ReadNode(node));
    }
}
#endregion

#region 常量
private  const  String PowerPointNameSpace = "http://schemas.openxmlformats.org/presentationml/2006/main" ;
#endregion

#region 字段
private  StringBuilder m_allText;
#endregion

#region 属性
/// <summary>
/// 获取PowerPoint幻灯片中所有文本
/// </summary>
public  String AllText
{
    get  {  return  this .m_allText.ToString(); }
}
#endregion

#region 构造函数
/// <summary>
/// 初始化PptxFile
/// </summary>
/// <param name="filePath">文件路径</param>
public  PptxFile(String filePath) :
    base (filePath) { }
#endregion

#region 读取内容