手动解析word Table模块内容

最近来了一个需求, 需要手动解析word ( 好处就是不需要安装office 以及不会有office解析的线程残留),然后就是可以自定义解析规则,比较方便

比如解析这个word里面的内容: 标题,表格的行和列,以及单元格里面的每一个项

解决方案

 使用 DocumentFormat.OpenXml.dll + WindowsBase.dll+正则表达式

WindowsBase.dll  和 DocumentFormat.OpenXml.dll 都是微软的,

可以不用安装office 就能得到 对应的 文档( word,excel) 的 xml格式文本内容,缺点是 只支持 docx,xlsx ,

低版本的(doc,xls)读不出来(可能是未按照对应的协议进行排版), 

另外再说一个比较 麻烦的问题,  金山wps和 office ,以及其他厂商的,对 word文件 的内部实现不一样,解析的话需要做兼容处理.

以下是主要的对象以及方法:(仅供参考)

//引入命名空间

using System.Text.RegularExpressions;
using DocumentFormat.OpenXml;
using DocumentFormat.OpenXml.Packaging;
using DocumentFormat.OpenXml.Wordprocessing;

using (WordprocessingDocument doc = WordprocessingDocument.Open(stream, false))
  {
      Body body = doc.MainDocumentPart.Document.Body;

      foreach (var xmlElement in body.Elements())
      {
           List<string> RowElement = new List<string>();
           foreach (var item in xmlElement.ChildElements)
           {
               string elementText = item.InnerText.Trim();
               if (!string.IsNullOrEmpty(elementText))
               {
                   //处理 elementText  
                   RowElement.Add(elementText);
               }
          }
      }
  }

 string bodyInnerXml = body.InnerXml;
 //然后通过 正则表达式 ")(.+?)" 得到 table的个数


/*2.解析 table 对应的 单元格数据*/
 foreach (var table in body.Elements())
{
     string t_table_xml = table.InnerXml;
     //通过正则 ")(.+?)"); 匹配行的个数
     //通过正则")(.+?)", "(.+?)" 匹配列的个数

}


 //遍历行foreach (var tableRow in table.Elements())
 {
     string rowInnerText = tableRow.InnerText;
     //遍历列
   foreach (var tableCell in tableRow.Elements())
   {
     //凡是实现了IEnumerable接口的类，都可以使用foreach循环迭代遍历, 不过很遗憾,没有提供 this[index] 的访问方式
      string celInnerXml = tableCell.InnerXml; 
      //要解析 单个item项的内容. 只能通过 正则表达式了, 不同的厂商, 里面的xml内容是不一样的, 所以要做很多的兼容....
      if ((celInnerXml.Contains("")|| celInnerXml.Contains("w:pPr>"))&& celInnerXml.Contains(""))
      {

           //1.目前来说是这样做兼容的 
           //2.然后通过正则 ")(.+?)" 和 ")(.+?)" 判断是否有对应的 匹配项

           //3.就算得到了 匹配项,. 里面还有很多的样式代码,要把这些样式代码都替换掉(通过正则 @"<(.[^>]*)>" 进行替换)

           //4.另外还有各种有序符号,无序符号,以及 checkbox框( □ ) 等 标识符, 这些字符贴到网页上 的code值好像都是9633 

           // 5.在 word里面  无序符号 是通过特殊的标签定义的,不同厂商的标签不一样,要识别不同厂商的只能做兼容处理
          
      }

   }

}



贴3个比较有用的方法

        /// 

        /// 去除所有Html标签,以及换行,制表符
        /// 
        /// 要格式化的字符串
        /// 
        public static string NoHTML(string Htmlstring) //去除HTML标记   
        {
            //删除脚本   
            Htmlstring = Regex.Replace(Htmlstring, @"", "", RegexOptions.Multiline | RegexOptions.IgnoreCase);
            //删除HTML   
            Htmlstring = Regex.Replace(Htmlstring, @"<(.[^>]*)>", "", RegexOptions.IgnoreCase);
            
            Htmlstring = Regex.Replace(Htmlstring, @"-->", "", RegexOptions.IgnoreCase);
            Htmlstring = Regex.Replace(Htmlstring, @"
							


						

							
							
			解析WordC							
						



						
						
						


						

						
					
					

					
					

						
相关
						
				
						
			

																
								

										
C# 十六进制八进制前缀或后缀
									
									

								 

        
								
							
							

																
								

										
C#中的Attribute（特性）的使用
									
									

								 

        
								
							
							

																
								

										
c#小灶——9.算术运算符
									
									

								 

        
								
							
							

																
								

										
c#小灶——4.注释和代码规范
									
									

								 

        
								
							
							

																
								

										
c#小灶——3.输出语句
									
									

								 

        
								
							
							

																
								

										
【Luogu3414】SAC#1 - 组合数
									
									

								 

        
								
							
							

																
								

										
[C#] 使用递归将多条路径生成树
									
									

								 

        
								
							
							

																
								

										
C#封装定时执行任务类
									
									

								 

        
								
							
							

																
								

										
【C#进阶系列】30 学习总结
									
									

								 

        
								
							
							

																
								

										
【C#进阶系列】10 属性
									
									

								 

        
								
							
							

																
								

										
【C#进阶系列】18 特性Attribute
									
									

								 

        
								
							
							

																
								

										
C# string 加号与StringBuilder .netCore3.1与 .netCore5.0速度测试
									
									

								 

        
								
							
							
            
            
            
                                    
           
  			
						

					
					
				

				

														
					
					

					
									

					
									   
标签