教你用十行node.js代碼讀取docx的文本

更新時(shí)間：2017年03月08日 10:52:03 作者：aliyu

這篇文章主要給大家介紹了用十行node.js代碼讀取docx文本的相關(guān)資料，文中介紹的非常詳細(xì)，需要的朋友可以參考借鑒，下面來(lái)一起看看吧。

前言

最近有一個(gè)case。需要去解析word文檔。有兩個(gè)需求，一個(gè)是將word文檔轉(zhuǎn)成PDF，一個(gè)是將word文檔中的內(nèi)容按照一定的規(guī)范讀取到數(shù)據(jù)庫(kù)中，去npm倉(cāng)庫(kù)找了大概有十幾個(gè)包，發(fā)現(xiàn)主要是通過以下的方式來(lái)轉(zhuǎn)換代碼。

通過調(diào)用系統(tǒng)底層程序（比如說(shuō)office）的API來(lái)轉(zhuǎn)換；
通過模板，替換數(shù)據(jù)來(lái)實(shí)現(xiàn)生成PDF；
通過有些免費(fèi)將word轉(zhuǎn)成PDF的網(wǎng)站來(lái)實(shí)現(xiàn)將word轉(zhuǎn)成PDF，比如docx-to-pdf；

后來(lái)退而求其次，想通過先將docx轉(zhuǎn)成文字，發(fā)現(xiàn)了個(gè)textract的包。

當(dāng)然也有缺點(diǎn)，不支持docx中的標(biāo)題號(hào)，不支持圖片等文件。

不怕死的我決定自己干這件事情。

介紹

其實(shí)docx就是一個(gè)zip包，然后封裝了一些xml文件?？梢灾苯訉ocx的包改后綴為.zip來(lái)打開觀看。

進(jìn)入word文件夾

里面有幾個(gè)主要的文件。

document.xml 這個(gè)就是文檔的主要內(nèi)容
numbering.xml 這個(gè)就是標(biāo)題號(hào)，以及標(biāo)題號(hào)的一些屬性
styles.xml 這個(gè)就是樣式列表

打開document.xml 你就會(huì)發(fā)現(xiàn)，所有的文本都是用 <w:t>標(biāo)簽包著的。這個(gè)就是本文的關(guān)鍵

代碼

首先，需要通過npm安裝一個(gè)能查看zip文件的包：adm-zip；

然后，寫下下列代碼即可

const fs = require("fs");
const AdmZip = require('adm-zip'); //引入查看zip文件的包
const zip = new AdmZip(filePath); //filePath為文件路徑
let contentXml = zip.readAsText("word/document.xml");//將document.xml讀取為text內(nèi)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)=>{//將./2.txt替換為你要輸出的文件路徑
if(err)throw err;
});

最近正在用node.js去解析docx的工作。先將最簡(jiǎn)單的寫在上面?；仡^有空再繼續(xù)分享

最新更新

之前隨手寫的代碼，今天測(cè)試發(fā)現(xiàn)用更新后的代碼比源代碼的效率提升十倍以上。

//原代碼
//str += item.replace("<w:t>","").replace("</w:t>","");
//更新代碼
str += item.slice(5,-6)

附上測(cè)試代碼

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

總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家學(xué)習(xí)或者使用node.js能帶來(lái)一定的幫助，如果有疑問大家可以留言交流。

您可能感興趣的文章: