docx格式文档详解：xml解析与html还原

2024-01-29 03:01:36 阅读 0

本文为参与“金石计划.瓜分6万现金奖”

1.应用场景：有什么用？

我在从事教育信息化工作时，经常用到词分析。

有些人可能会奇怪，我们都用Word来编辑文本，但你却解析它。今天你得解释一下，...是什么意思？

解析就是剖析和分析。解析词就是提取词中的结构和内容。

比如，无论是考驾照还是资格考试，我们都有过在设备上做题的经历。

之所以在前端能看到这些问题，是因为后端有人一一输入的。就像您提交个人信息报告时一样。

以上的进入方式在我们这个行业会被骂的！

即使你认为这没有什么问题。

因为为了试卷，录入员拿到了这份原稿。

一套试卷有几十道题，每道题有十个左右的属性。这样，一套题就需要填上几百个方框（请用重庆话读：框拳击手）。

事实上，程序员可以利用技术手段自己读取word的内容。

理论上，程序员可以获得word中显示的所有内容。家庭背景较差的企业拿到数据后，通过代码逻辑查找试卷名称、选项等属性。财务背景较好的公司可以通过人工智能NLP文本分类更好地实现智能分类（我就是这么做的）。

无论如何，这两种方法都可以实现。

此时，录入员只负责编辑word。这个过程称为“单词导入”。

能够导入的前提是能够解析单词的内容。能够解析word的前提是docx格式。

2、Docx格式：为什么会出现？

不知道你有没有印象。从某个时期开始，文件名的尾部多了一个“x”。原来word和excel的后缀分别是doc、ppt、xls。后来突然出现了docx、pptx、xlsx。

到目前为止，这些x已经占据了主流市场。

为什么？为什么会这样呢？我仿佛听到一家人拿着扫帚，悲伤地唱着：你伤了Word，Excel过去了，你的贪婪，我……

原来的doc格式是加密的，只能用微软自己的软件打开。

后来微软觉得这并没有让自己变得神圣，反而限制了自己的发展。

比如金山WPS也是做办公软件的。发展迅速，积累了众多用户。很多人已经开始使用wps，而word用户则面临着分裂。因此，微软基于Open XML标准对文档族进行了兼容。

由于新标准采用xml格式记录信息，因此在.doc后面添加了x。新标准之后，WPS甚至可以打开微软创建的文档。这样，用户只关心文档，而不关心使用的是哪个软件，实现了用户共享。

反正就是这个意思，我猜的，别全信……

3、文件结构：如何解析？

那么，docx 格式到底是什么样的呢？

看起来像一个文件，但实际上是一个压缩包。

下面是我亲自编辑的docx文档。

我会自己解压：将.docx更改为.zip，右键单击并选择解压文件，它将显示其原始形状。

上图演示了解压并打开word/media文件夹。这是文档中出现的图片。分析发现，同一张图像在docx中被复制了多次，但在media中只保留了一张原始图像。由此可见他是一个勤劳节俭的好孩子。承载相同量的内容，docx格式比doc更小。

我们可以看到，解压后有一个目录结构。

别担心，我不会一一向您介绍所有文档。因为那是没有用的。即使它有效，你也不会记得它。就算记住了，我还是不明白……为什么要学这么全面的知识呢？汉字总共有10万多个，常用字只有2500个，足够了。

我来说说几个关键点。

3.1 主文件.xml

位于word下的.xml文件是docx的主战场。可以说，你在文档中能看到的一切，都直接或间接地记录在这里。

.xml 是 XML 格式文档。

我们打开吧，我们先只打开一层。

为了让您能够继续阅读，我对数据进行了处理，以确保您只能看到关键信息。

<w:document>
    <w:body>
        <w:p>...w:p>
        <w:p>...w:p>
        <w:tbl>...w:tbl>
        <w:p>...w:p>
        ...
        <w:sectPr>...w:sectPr>
    w:body>
w:document>

我们看到body中只有三种类型的标签，分别是and。

docx 文档基本上由这三个部分组成。 w 指单词，p 指段落，tbl 指表格。全名是primp。不要记住这一点，因为它很容易扰乱你的思维。

理清思路，docx文档主要有两大类，一类叫段落，一类叫表格。

3.2 段落标签w:p

在 docx 中，段落是文档中最常见也是最重要的单元。

和你理解的那段话一样。它属于一个没有换行的段落。即使你打了6个回车“咔咔”，虽然没有内容，但仍然属于6个段落，在xml中是6。

此外，段落中还包含含有图片、流程图、公式等元素的内容。也就是说，他们都是弟弟。

我们可以用代码来获取该段落的信息吗？当然！（这是自问自答，有试图凑字数的嫌疑）

无论使用哪种编程语言，我们都可以做到这一点，因为它只是读取 XML 文件。

但对于教学来说，使用它无疑是最好的选择。

# 导入解析xml的库
import xml.dom.minidom as xdom
# 加载文档
xp = xdom.parse('word/document.xml')
# 获取文档根节点
root=xp.documentElement
# 获取body节点们
bodys = root.getElementsByTagName("w:body") 
# 因为getElements返回多个对象，我们只有一个
body = bodys[0]
# 循环遍历body下的节点
for i,ele in enumerate(body.childNodes):
    e_name = ele.nodeName
    # 打印{序号} -> {节点名称} is {对象}
    print(i,"->",e_name,"is",ele)

我们来看看打印的结果。它与源文档完全对应，没有遗漏的部分。

现在是时候详细谈谈 w:p 的人了。

3.3 文本标签w:t

在复杂的xml文件中，您可以拉出一个称为标签的标签。

<w:p>
    <w:r>
        <w:t>word的doc格式原来是不开源的，后来改成了docx格式后，是开源的。w:t>
        ……
    w:r>
    ……
w:p>

这里存储的内容是word中的文本，t是text的缩写。

你在 docx 中看到的每个单词基本上都是用 and 包裹的。

也就是说，如果我们取出所有标签中的文本，我们就实现了纯文本docx的解析。

代码其实很简单，就是扫描元素中的标签，取出它的内容。

我们已经得到了上面的 body 标签，所以从那里继续。

# 循环body下的大单元 w:p段落，w:tbl表格
for i,ele in enumerate(body.childNodes):
    # 找到包含w:t的标签,可能是多个
    wts = ele.getElementsByTagName("w:t") 
    ele_text = "" # 记录大单元内所有文本
    for wt in wts: # 循环
        ele_text = ele_text + wt.text
    print(ele_text) # 打印输出

看看代码对应的效果。

恭喜，您已经学会了解析 docx 文本。

是的，提取 docx 文本就是这么简单。您现在可以编写一个程序将 docx 转换为 txt。

但是...我想告诉大家的一件事是，在代码中运行wt.text时，可能会报错。为了让大家更容易理解，我特意写了伪代码。事实上，要从中获取文本内容，您可以执行以下操作：

import re # 导入正则库
# 构建一个正则，去除<>标签
pattern_del_tag = re.compile(r'<[^>]+>',re.S)
# 把元素转为xml格式xxx，然后去标签
t_text =  pattern_del_tag.sub('', wt.toxml())

我想如果你这么说的话你就能理解了。因为在理解正则表达式的名称时无需分散注意力。

3.4 连续块w:r

上面我们讲了如何解析文本。但这太简单了。

文字有风格。

同一 w:p 段落中的文本可能具有不同的样式。

例如，如果前两个字符是红色，则这两个字符具有相同的样式。不过最后两个字符是绿色的，与前面的不同。

为了解决这个问题，docx将相同样式的文本包裹在标签中。

r 代表运行。关于这个run的解释，国内很多文献直接翻译为“跑”。

其实run的英文解释有很多。我想这里更合适的定义应该是：“一段”、“一个系列”、“连续表演”。因此，我个人将这个标签命名为：连续块。该标签内表示的文本是一系列的，其特点是连续且不间断的。

代码还是和处理xml文件一样，要么寻找标签，要么获取属性。

还有其他样式标签您可以自己研究。首先我给大家举两个例子。

例如，上例中的字体颜色通常位于标签内。 w仍然是word的意思，r是run的意思，Pr是Primp的意思，即修饰、装饰的意思。该标签的含义是：连续块的样式描述。同样，它代表段落的风格描述。，表示表格单元格的样式描述。

我们来看看连续块修改是如何定义的。

例如，粗体和斜体的说明。

使用代码来判断，主要是读取标签。如果能找到该标签，则说明有该风格的标签。

w_i = w_rPr.getElementsByTagName("w:i")
if w_i:
    print("是斜体")
w_b = w_rPr.getElementsByTagName("w:b")
if w_i:
    print("是粗体")

另一个例子是各种线条的描述。

上面的例子中，如果用代码来判断，除了判断标签是否存在之外，还需要获取属性值w:val，它表示具体使用的是哪种样式。

w_u = w_rPr.getElementsByTagName("w:u")
if w_u:
    # 获取属性值用 getAttribute
    line_value = w_u[0].getAttribute("w:val")
    if line_value == "single":
        print("是下划线")
    if line_value == "double":
        print("是双划线")
    if line_value == "wave":
        print("是波浪形线")
    if line_value == "dotted":
        print("是虚线")

我可以负责任的说，只要文档中呈现了信息，在xml文件中就可以找到相应的注释。

我可以全部告诉你，但是会影响你看其他内容。有兴趣的话可以查一下资料。都是手动类型的信息，非常方便。

我觉得你自己在Word中标记一下，然后解压，观察xml文件的变化，可以学得更牢固。无论如何，我就是这样学会的。

下面是我用HTML恢复的一个word文档。

这是原始的docx文档：

这是解析docx文档后渲染的html页面：

我们可以看到，字体大小、字体、字体颜色、标记都可以恢复。

只剩下两件重要的事情要说。那是图片和表格。

3.5 图片标签w：

docx中的图片是如何从xml中提取出来的？

您会在连续块中找到一个标签。这里主要存储的是与图片相关的信息。

图片只是一小类。除了图片之外，还有图表、形状、流程图等。

今天我们来说说最简单的事情，就是如何提取图片。

图片的标签是

，他在xml中定义如下：

<w:drawing>
    <pic:pic>
        <pic:blipFill>
            <a:blip r:embed="rId9"/>
        pic:blipFill>
    pic:pic>
w:drawing>

其中，隐藏的是图片文件，里面的rId9就是抓拍图片的线索。

你还记得解压时的media文件夹吗？里面有很多图片。

有图片，但不是rId9？

别担心，有一个专门用于关联的文件。就是解压后的word/_rels/.xml.rels文件。

打开这个文件：

<?xml version="1.0" encoding="UTF-8" standalone="true"?>
<Relationships>
    ……
    <Relationship Target="media/image1.png" Id="rId9"/>
    <Relationship Target="media/image3.png" Id="rId11"/>
    <Relationship Target="media/image2.GIF" Id="rId10"/>
Relationships>

哈哈，这里有文件记录了哪个id指向哪个文件。因此，我们解析这个文件，得到对应关系。

然后，当pic中的id等于rId9时，显示图像文件media/.png。

这样就实现了图像分析。

是时候鼓掌了！

3.6 表标签 w:tbl

表格标签具有非常重要的地位，它与段落标签处于同一级别。

分析整个文档的顶层组件，我们不难发现，除了.

起初，我不明白。为什么像图表和流程图这样的复杂元素配不上表格的崇高地位？天道法在哪里？

后来解析成表才知道。我似乎低估了老大的地位。

如果你看到上图没有笑。这意味着您可能不理解这篇文章。或者也许是我的幽默感出了问题。

一个简单的表的结构其实并不复杂。但是，表中的每个单元格都可以容纳另一个 Word 文档。在表格中，您可以添加图片、图表、文本样式，甚至可以在表格中添加表格。一切都可以添加，甚至包括老板。和它放在一起，就感觉很委屈。

让我们看一下该表的基本结构。

<w:tbl>
    <w:tblGrid>
        <w:gridCol/>
        <w:gridCol/>
    w:tblGrid>
    <w:tr>
        <w:tc><w:p>...w:p>w:tc>
        <w:tc>...w:tc>
    w:tr>
    <w:tr>
    ...
    w:tr>
w:tbl>

节点元素中有两个主要部分。一是介绍表列的数量。另一个包含有关表行的信息。 tr 是表行的缩写。

其中，有，这里是格子的内容。我们发现它的内容实际上是它的兄弟节点之一。在此，向表格老板深深鞠一躬。

tc是table cell的缩写，意思是单元格。有人可能会说tc是table的缩写，意思是表的列。当我稍后讨论带有合并单元格的表格时，从结构的角度来看，我们会觉得表格单元格更适合上下文。

先说基本表的分析，如下图：

解析后的代码参考如下：

w_table = body.childNodes[0] # 拿到表格节点
# 获取所有的行
w_trs = w_table.getElementsByTagName("w:tr")
rows_text = [] # 存放行的文本
for r_index, tr in enumerate(w_trs):
    # 获取所有的单元格
    cells = tr.getElementsByTagName("w:tc")
    cells_text = [] # 存放单元格的文本
    for c_index, cell in enumerate(cells):
        # 获取所有的文本
        wts = cell.getElementsByTagName("w:t") 
        for wt in wts: # 把文本拼接
            cells_text.append(wt.text)
    rows_text.append(cells_text)
print(rows_text) # 打印结果，二维数组[[r1c1,r1c2],[r2c1,r2c2]]

运行代码，结果如下：

我这里又挖了一个坑，除了前面讲w:t时的wt.text陷阱。 w:tc的内容应该是解析完整的w:p结构，但是这里我只取了w:t文本。这是最简单的。因为我们需要了解表的结构。因此，别人可以假装看不见。

不过也可以看出，做好表格分析的前提是做好段落分析。因为表格单元格是段落。

相信有了表格（二维数组）的解析结果，就可以轻松将其还原为表格页面进行显示。只需循环，循环第一层的行和第二层的列。

让我用1分钟写出代码：

rows_text = [['名称', '后缀名'], ['Word', 'docx']]
table_html = [""] 
for row in rows_text:
    table_html.append("")
    for cell in row:
        table_html.append("")
    table_html.append("")
table_html.append(""+cell+"
")
table_html = "".join(table_html)
print(table_html)
# # # # 
名称 后缀名
Word docx