【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】
- 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 - 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) - 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 - 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】
- 初见Office Open XML(OOXML)
- OOXML文档属性的解析
- Word 2007文件的解析
- PowerPoint 2007文件的解析
- 常见Office文档(Word、PowerPoint、Excel)文件的开源类库
- 相关链接
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:
![](https://i-blog.csdnimg.cn/blog_migrate/81178cc93a2a3bb5048d90d76e7ec935.gif)
1 #region 字段 2 protected FileStream m_stream; 3 protected Package m_package; 4 #endregion 5 6 #region 构造函数 7 /// <summary> 8 /// 初始化OfficeOpenXMLFile 9 /// </summary> 10 /// <param name="filePath">文件路径</param> 11 public OfficeOpenXMLFile(String filePath) 12 { 13 try 14 { 15 this.m_stream = new FileStream(filePath, FileMode.Open, FileAccess.Read); 16 this.m_package = Package.Open(this.m_stream); 17 18 this.ReadProperties(); 19 this.ReadCoreProperties(); 20 this.ReadContent(); 21 } 22 finally 23 { 24 if (this.m_package != null) 25 { 26 this.m_package.Close(); 27 } 28 29 if (this.m_stream != null) 30 { 31 this.m_stream.Close(); 32 } 33 } 34 } 35 #endregion
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:
![](https://i-blog.csdnimg.cn/blog_migrate/81178cc93a2a3bb5048d90d76e7ec935.gif)
1 #region 常量 2 private const String PropertiesNameSpace = "http://schemas.openxmlformats.org/officeDocument/2006/extended-properties"; 3 private const String CorePropertiesNameSpace = "http://schemas.openxmlformats.org/package/2006/metadata/core-properties"; 4 #endregion 5 6 #region 字段 7 protected Dictionary<String, String> m_properties; 8 protected Dictionary<String, String> m_coreProperties; 9 #endregion 10 11 #region 属性 12 /// <summary> 13 /// 获取DocumentSummaryInformation 14 /// </summary> 15 public override Dictionary<String, String> DocumentSummaryInformation 16 { 17 get 18 { 19 return this.m_properties; 20 } 21 } 22 23 /// <summary> 24 /// 获取SummaryInformation 25 /// </summary> 26 public override Dictionary<String, String> SummaryInformation 27 { 28 get 29 { 30 return this.m_coreProperties; 31 } 32 } 33 #endregion 34 35 #region 读取Properties 36 private void ReadProperties() 37 { 38 if (this.m_package == null) 39 { 40 return; 41 } 42 43 PackagePart part = this.m_package.GetPart(new Uri("/docProps/app.xml", UriKind.Relative)); 44 if (part == null) 45 { 46 return; 47 } 48 49 XmlDocument doc = new XmlDocument(); 50 doc.Load(part.GetStream()); 51 52 XmlNodeList nodes = doc.GetElementsByTagName("Properties", PropertiesNameSpace); 53 if (nodes.Count < 1) 54 { 55 return; 56 } 57 58 this.m_properties = new Dictionary<String, String>(); 59 foreach (XmlElement element in nodes[0]) 60 { 61 this.m_properties.Add(element.LocalName, element.InnerText); 62 } 63 } 64 #endregion 65 66 #region 读取CoreProperties 67 private void ReadCoreProperties() 68 { 69 if (this.m_package == null) 70 { 71 return; 72 } 73 74 PackagePart part = this.m_package.GetPart(new Uri("/docProps/core.xml", UriKind.Relative)); 75 if (part == null) 76 { 77 return; 78 } 79 80 XmlDocument doc = new XmlDocument(); 81 doc.Load(part.GetStream()); 82 83 XmlNodeList nodes = doc.GetElementsByTagName("coreProperties", CorePropertiesNameSpace); 84 if (nodes.Count < 1) 85 { 86 return; 87 } 88 89 this.m_coreProperties = new Dictionary<String, String>(); 90 foreach (XmlElement element in nodes[0]) 91 { 92 this.m_coreProperties.Add(element.LocalName, element.InnerText); 93 } 94 } 95 #endregion
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
- footnotes.xml:记录Word文档的脚注
- 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:
![](https://i-blog.csdnimg.cn/blog_migrate/81178cc93a2a3bb5048d90d76e7ec935.gif)
1 /// <summary> 2 /// 抽取Node中的文字 3 /// </summary> 4 /// <param name="node">XmlNode</param> 5 /// <returns>Node中的文字</returns> 6 public static String ReadNode(XmlNode node) 7 { 8 if ((node == null) || (node.NodeType != XmlNodeType.Element))//如果node为空 9 { 10 return String.Empty; 11 } 12 13 StringBuilder nodeContent = new StringBuilder(); 14 15 foreach (XmlNode child in node.ChildNodes) 16 { 17 if (child.NodeType != XmlNodeType.Element) 18 { 19 continue; 20 } 21 22 switch (child.LocalName) 23 { 24 case "t"://正文 25 nodeContent.Append(child.InnerText.TrimEnd()); 26 27 String space = ((XmlElement)child).GetAttribute("xml:space"); 28 if ((!String.IsNullOrEmpty(space)) && (space == "preserve")) nodeContent.Append(' '); 29 break; 30 case "cr"://换行符 31 case "br"://换页符 32 nodeContent.Append(Environment.NewLine); 33 break; 34 case "tab"://Tab 35 nodeContent.Append("\t"); 36 break; 37 case "p"://段落 38 nodeContent.Append(ReadNode(child)); 39 nodeContent.Append(Environment.NewLine); 40 break; 41 default://其他情况 42 nodeContent.Append(ReadNode(child)); 43 break; 44 } 45 } 46 47 return nodeContent.ToString(); 48 }
然后我们从根标签开始读取就可以了
![](https://i-blog.csdnimg.cn/blog_migrate/81178cc93a2a3bb5048d90d76e7ec935.gif)
1 #region 常量 2 private const String WordNameSpace = "http://schemas.openxmlformats.org/wordprocessingml/2006/main"; 3 #endregion 4 5 #region 字段 6 private String m_paragraphText; 7 #endregion 8 9 #region 属性 10 /// <summary> 11 /// 获取文档正文内容 12 /// </summary> 13 public String ParagraphText 14 { 15 get { return this.m_paragraphText; } 16 } 17 #endregion 18 19 #region 读取内容 20 protected override void ReadContent() 21 { 22 if (this.m_package == null) 23 { 24 return; 25 } 26 27 PackagePart part = this.m_package.GetPart(new Uri("/word/document.xml", UriKind.Relative)); 28 if (part == null) 29 { 30 return; 31 } 32 33 StringBuilder content = new StringBuilder(); 34 XmlDocument doc = new XmlDocument(); 35 doc.Load(part.GetStream()); 36 37 XmlNamespaceManager nsManager = new XmlNamespaceManager(doc.NameTable); 38 nsManager.AddNamespace("w", WordNameSpace); 39 40 XmlNode node = doc.SelectSingleNode("/w:document/w:body", nsManager); 41 42 if (node == null) 43 { 44 return; 45 } 46 47 content.Append(NodeHelper.ReadNode(node)); 48 49 this.m_paragraphText = content.ToString(); 50 } 51 #endregion
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。
![](https://i-blog.csdnimg.cn/blog_migrate/81178cc93a2a3bb5048d90d76e7ec935.gif)
1 #region 常量 2 private const String PowerPointNameSpace = "http://schemas.openxmlformats.org/presentationml/2006/main"; 3 #endregion 4 5 #region 字段 6 private StringBuilder m_allText; 7 #endregion 8 9 #region 属性 10 /// <summary> 11 /// 获取PowerPoint幻灯片中所有文本 12 /// </summary> 13 public String AllText 14 { 15 get { return this.m_allText.ToString(); } 16 } 17 #endregion 18 19 #region 构造函数 20 /// <summary> 21 /// 初始化PptxFile 22 /// </summary> 23 /// <param name="filePath">文件路径</param> 24 public PptxFile(String filePath) : 25 base(filePath) { } 26 #endregion 27 28 #region 读取内容 29 protected override void ReadContent() 30 { 31 if (this.m_package == null) 32 { 33 return; 34 } 35 36 this.m_allText = new StringBuilder(); 37 38 XmlDocument doc = null; 39 PackagePartCollection col = this.m_package.GetParts(); 40 SortedList<Int32, XmlDocument> list = new SortedList<Int32, XmlDocument>(); 41 42 foreach (PackagePart part in col) 43 { 44 if (part.Uri.ToString().IndexOf("ppt/slides/slide", StringComparison.OrdinalIgnoreCase) > -1) 45 { 46 doc = new XmlDocument(); 47 doc.Load(part.GetStream()); 48 49 String pageName = part.Uri.ToString().Replace("/ppt/slides/slide", "").Replace(".xml", ""); 50 Int32 index = 0; 51 Int32.TryParse(pageName, out index); 52 53 list.Add(index, doc); 54 } 55 } 56 57 foreach (KeyValuePair<Int32, XmlDocument> pair in list) 58 { 59 XmlNamespaceManager nsManager = new XmlNamespaceManager(doc.NameTable); 60 nsManager.AddNamespace("p", PowerPointNameSpace); 61 62 XmlNode node = pair.Value.SelectSingleNode("/p:sld", nsManager); 63 64 if (node == null) 65 { 66 continue; 67 } 68 69 this.m_allText.Append(NodeHelper.ReadNode(node)); 70 } 71 } 72 #endregion
附,本系列全部代码下载:https://github.com/mayswind/SimpleOfficeReader
【五、常见Office文档(Word、PowerPoint、Excel)文件的开源类库】
1、NPOI:http://npoi.codeplex.com
这个没的说,.NET上最好的,没有之一,Office文档类库,提供完整的Excel读取与编辑操作,目前支持二进制(.xls)文件和OOXML(.xlsx)两种格式。如果用过Apache的Java类库POI的话,NPOI提供几乎一样的类库。实际上,对于ASP.NET,需要编辑的Office文档大多都是Excel文件,或者也可以使用Excel文件代替,所以使用NPOI几乎已经能满足所有需要。目前已经支持docx文件,而doc的支持则在NPOI.ScratchPad中,大家可以去Source Code中下载自己编译。如果不需要OOXML的话,类库仅有1.5MB,并且支持.NET CLR 2.0和4.0。
2、Open XML SDK 2.0 for Microsoft Office:http://msdn.microsoft.com/en-us/library/bb448854(office.14).aspx
微软提供的Open XML SDK,支持读写任意OOXML文档,其同时提供了一个工具,可以打开Office文档然后直接生成使用该类库生成该文档的程序代码。只不过类库确实大了些,有5MB之多,并且需要.NET Framework 3.5的支持。
3、Office Binary Translator to Open XML:http://b2xtranslator.sourceforge.net/
这是我最近才知道的一个类库,其实很早很早以前就有了,其可以将Windows复合文档(.doc、.ppt、.xls)转换为对应的OOXML格式(.docx、.pptx、.xlsx),当然你也可以获取文件中存储的内容。不知道为什么,这个网站被墙了。如果你想研究Windows复合文档的话,我比较推荐这个类库,因为NPOI实在是太完美的一个类库,要想走一遍文件读取的流程实在是太复杂,但是如果用这个类库单步的话还是很容易懂的。这个类库将每种文件的支持(以及支持的模块等)都拆分到了不同的项目中,支持每种文件仅需要几百KB,而且是基于.NET CLR 2.0的。
4、EPPlus:http://epplus.codeplex.com
在2010年NPOI还不支持OOXML的时候,个人感觉EPPlus是最好的.xlsx文件处理的类库,其仅有几百KB,非常轻量,对于zip文件的读取,这个类库没有选择SharpZipLib或者DotNetZip,老版本需要.NET Framework 3.0就行,刚看了下新版本得需要.NET Framework 3.5才可以。
5、ExcelDataReader:http://exceldatareader.codeplex.com
也是一个非常轻量并且好用的库,同时支持读取.xls和.xlsx,当年在使用EPPlus之前使用的这个类库,记不得是因为什么问题替换成了EPPlus,也不知道这个问题现在解决了没有。这个类库的好处是仅需要.NET CLR 2.0,并且支持.NET CF,只不过现在已经不需要开发Windows Mobile的应用了。
1、OpenXMLDeveloper.org:http://openxmldeveloper.org
2、如何:从 Office Open XML 文档检索段落:http://msdn.microsoft.com/zh-cn/library/bb669175.aspx
3、如何操作 Office Open XML 格式文档:http://www.microsoft.com/china/msdn/library/office/office/howManipulateOfficexml.mspx
4、如何实现...(打开 XML SDK):http://msdn.microsoft.com/zh-cn/library/bb491088.aspx
【后记】
终于到了最后一篇,这个系列就到这结束了,感谢大家的捧场,我也终于实现了两年前的心愿。说实话,我确实没想到第一篇会有那么多的访问和推荐,因为需要解析Office文档的毕竟是少数的。写这四篇文章也希望起到抛砖引玉的作用,起码可以对Office文档有个最基础的了解,而之后如果想深入了解下去也会容易得多,这也是我要把这些内容写出来的原因。
【补遗】
在写完这四篇文章后,我偶然发现微软关于这方面竟然有中文文档,泪奔了,为什么之前我没有找到。所以在此附上几篇常用的链接。
1、了解 Office 二进制文件格式:http://msdn.microsoft.com/zh-cn/library/gg615407(v=office.14).aspx
2、了解 Word MS-DOC 二进制文件格式:http://msdn.microsoft.com/zh-CN/library/gg615596
3、了解 PowerPoint MS-PPT 二进制文件格式:http://msdn.microsoft.com/zh-CN/library/gg615594
4、了解采用 Office 二进制文件格式的图形:http://msdn.microsoft.com/zh-CN/library/gg985447
5、在二进制 PowerPoint MS-PPT 文件中查找图形:http://msdn.microsoft.com/zh-CN/library/hh244173