如何在程序中解析获取word文档(docx格式)的文本内容

原理

docx格式的word文档其实是一个压缩包，文本内容、格式、图片等是分别存储在不同的文件中的，office通过这些文件还原出我们所看到的word文档。下面以一个简单的示例来说明docx格式。

示例

1. 首先我们新建一个word文档，在里边写上“文档测试”，然后插入一张图片。
   
2. 然后我们把该文档的后缀改为“.zip”，使用压缩软件打开，可以看到里边的目录结构。
   
3. word文件夹中存储的是文档内容，如下图:
   
   media文件夹的内容如下，正是我们插入的图片：
   
   document.xml的格式如下，可以看到我们的文本内容是包裹在<w:t></w:t>标签中的。
   

总结

用程序来提取文本内容，先要解压缩，然后再解析document.xml文件，提取出<w:t></w:t>标签中的 内容。

---