之前項目里遇到一個需求，需要前端上傳一個word文檔，然后后端提取出該文檔的指定位置的內容并保存。這里后端用的是nodejs，開始接到這個需求，發(fā)現(xiàn)無從下手，主要是沒有處理過word這種類型的文檔，怎么解析? Excel倒是有相關的庫可以用，而且很簡單

成都網(wǎng)站建設公司更懂你！成都創(chuàng)新互聯(lián)只做搜索引擎喜歡的網(wǎng)站！成都網(wǎng)站制作前臺采用搜索引擎認可的DIV+CSS架構,全站HTML靜態(tài),H5高端網(wǎng)站建設+CSS3網(wǎng)站,提供：網(wǎng)站建設，微信開發(fā)，微信小程序定制開發(fā)，商城網(wǎng)站定制開發(fā)，app軟件定制開發(fā)，空間域名，服務器租售，網(wǎng)站代托管運營，微信公眾號代托管運營。

思路

搜索了好一會兒，在npm上發(fā)現(xiàn)了一個叫做 adm-zip 的包，這個包可以解壓縮word文檔，原來word文檔也是可以解壓縮的，之前一直不知道,通過如下代碼就可以將word文檔解壓縮，并進一步提取內容

var admZip = require('adm-zip');
const zip = new admZip('test.docx');
//將該docx解壓到指定文件夾result下
zip.extractAllTo("./result", /*overwrite*/true);

首先我們新建一個docx文檔，內容如下

然后運行上述代碼進行解壓縮，得到如下的文件，由下圖可以看出生成了好幾個文件夾，word的內容其實是在word文件夾里的document.xml文件內(這里解壓縮后其實源文件還在，并沒有消失)

進入word文件夾后的內容

我們繼續(xù)打開document.xml文件來一探究竟里面到底是啥？注意要用瀏覽器直接打開，如果用ide打開顯示出的所有內容都在一行，無法閱讀！

上圖只是word文檔的一部分，會發(fā)現(xiàn)word文檔內看著只有幾段文字，但是xml中卻是長篇大論，仔細分析下也很正常，xml全稱可擴展標記語言，其被設計為傳輸和存儲數(shù)據(jù)，它僅僅是一個純文本的表示，而word中內容格式千變萬化，肯定需要一種方法來有效描述這些內容的格式，因此采用了xml來描述

我們嘗試一下將 測試文檔 四個字加粗變色傾斜字體，如下圖

然后再進行解壓縮，得到docuemnt.xml并查看對應的內容，如下

這就很明顯了， 表示文字加粗, 表示文字傾斜，
表示文字的顏色，所以這么4個字就需要這幾行xml來描述，因此長篇大論的xml也就不足為奇

提取內容

上面說到了xml僅僅是一個文本的表示，我們可以用如下代碼讀取整個xml的內容，結果是一個 string

var contentXml = zip.readAsText("word/document.xml");

接下來是重點，如何提取我們想要的內容呢，答案是正則表達式，首先我們得分析一下word文檔的結構，word文檔其實是由叫做 Paragraph 的段落所構成，在vb中可以很輕松的獲取并修改段落，官網(wǎng)傳送門點此

那么到底怎么樣才是一個 Paragraph 呢，其實很簡單，仔細觀察word文檔，見到下圖中的小箭頭了么，每個小箭頭前面的內容就是一個段落，那么下圖中一共有16個 Paragraph ,當然有些段落是空的，沒有任何內容

我們再來研究xml的結構，收起展開的xml，如下圖，發(fā)現(xiàn) 這么個標簽就是表示的一個段落，中間還有些

藏在表格內，這么一看表格前面3個段落，后面3個段落，和上圖是對應的

因此， 我們就可以提取出每個段落的文本并返回一個數(shù)組，每一項就是一個段落的內容 ,這樣就能夠完整的解析出整個word的內容，關鍵在于如何提取每個 的內容，我們繼續(xù)展開一個 進行觀察，如下圖，發(fā)現(xiàn)內容雖多，其實文本都保存在 中間，因此思路就清晰了， 首先用正則表達式提取出所有的內容，再針對每個的內容，進行進一步正則提取，提取出其里面所有的內容，并拼接在一起構成一個段落的總內容

具體代碼

下面是具體的提取代碼

//參數(shù)是word文件名,第二個參數(shù)是回調表示解析完成
var parser = function parseWordDocument(absoluteWordPath,callback){
 //返回內容的數(shù)組
 var resultList = [];
 //如果文件存在
 fs.exists(absoluteWordPath, function(exists){
 if(exists){
 //解壓縮
 const zip = new admZip(absoluteWordPath);
 //將document.xml(解壓縮后得到的文件)讀取為text內容
 var contentXml = zip.readAsText("word/document.xml");
 //正則匹配出對應的里面的內容,方法是先匹配,再匹配里面的,將匹配到的加起來即可
 //注意？表示非貪婪模式(盡可能少匹配字符)，否則只能匹配到一個
 var matchedWP = contentXml.match(/.*?<\/w:p>/gi);
 //繼續(xù)匹配每個里面的,這里必須判斷matchedWP存在否則報錯
 if(matchedWP){
 matchedWP.forEach(function(wpItem){
  //注意這里的匹配，有可能是這種格式，需要特殊處理
  var matchedWT = wpItem.match(/(.*?<\/w:t>)|(]*?>.*?<\/w:t>)/gi);
  var textContent = '';
  if(matchedWT){
  matchedWT.forEach(function(wtItem){
  //如果不是格式
  if(wtItem.indexOf('xml:space')===-1){
  textContent+=wtItem.slice(5,-6);
  }else{
  textContent+=wtItem.slice(26,-6);
  }
  });
  resultList.push(textContent)
  }
 });
 //解析完成
 callback(resultList)
 }
 }else{
 callback(resultList)
 }
 });
};

注意一下如果段落前有空格，那么 的格式是不同的，如下，多了這個space描述，所以需要特殊處理

代碼量其實很少，關鍵在于正則的編寫，上述docx文檔提取后的輸出結果如下

最后我把這個工具寫成了一個npm包，地址點這里