自己写一个docx格式的解析器

众所周知，docx格式是国际软件巨头-微软为其自家产品Word所定义的一个文件格式，当然docx这种格式已经有很多很多的解析库可用了，但是你有没有想过自己一个docx的解析器呢？

首先，我们先做一个小小的实验，准备一个docx的文件，比如下面这个：

先用记事本打开，不出意外的话，应该是下面的结果：

但是，如果我们用另一种软件，比如7zip打开，会是什么情况呢？结果如下

很显然，docx文件格式是一种压缩文档格式，而这个压缩文档里面以xml的形式定义了文档的样式，文本和其他的内容

 

正常来说，一个docx压缩文档包含以下结构：

docProps
    app.xml
    core.xml
word
    theme                    //主题文件夹
        theme1.xml
    _rels
        document.xml.rels
    document.xml            //包含文档内容的xml文件，主要是解析它
    fontTable.xml            
    setting.xml             //word文档的设置信息
    styles.xml
    webSettings.xml
_rels
    .rels
[Content_Types].xml

既然docx的本质不过是一个zip格式的压缩文件，而我们又清楚了docx的格式，那么编写一个parser岂不是易如反掌的事情 :)

 

我们先看看word里面的内容：

再看document.xml文件：

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<w:document xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" 
            xmlns:cx="http://schemas.microsoft.com/office/drawing/2014/chartex" 
            xmlns:cx1="http://schemas.microsoft.com/office/drawing/2015/9/8/chartex" 
            xmlns:cx2="http://schemas.microsoft.com/office/drawing/2015/10/21/chartex" 
            xmlns:cx3="http://schemas.microsoft.com/office/drawing/2016/5/9/chartex" 
            xmlns:cx4="http://schemas.microsoft.com/office/drawing/2016/5/10/chartex" 
            xmlns:cx5="http://schemas.microsoft.com/office/drawing/2016/5/11/chartex" 
            xmlns:cx6="http://schemas.microsoft.com/office/drawing/2016/5/12/chartex" 
            xmlns:cx7="http://schemas.microsoft.com/office/drawing/2016/5/13/chartex" 
            xmlns:cx8="http://schemas.microsoft.com/office/drawing/2016/5/14/chartex" 
            xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" 
            xmlns:aink="http://schemas.microsoft.com/office/drawing/2016/ink" 
            xmlns:am3d="http://schemas.microsoft.com/office/drawing/2017/model3d" 
            xmlns:o="urn:schemas-microsoft-com:office:office" 
            xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" 
            xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" 
            xmlns:v="urn:schemas-microsoft-com:vml" 
            xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing" 
            xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" 
            xmlns:w10="urn:schemas-microsoft-com:office:word" 
            xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" 
            xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml" 
            xmlns:w15="http://schemas.microsoft.com/office/word/2012/wordml" 
            xmlns:w16cid="http://schemas.microsoft.com/office/word/2016/wordml/cid" 
            xmlns:w16se="http://schemas.microsoft.com/office/word/2015/wordml/symex" 
            xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessingGroup" 
            xmlns:wpi="http://schemas.microsoft.com/office/word/2010/wordprocessingInk" 
            xmlns:wne="http://schemas.microsoft.com/office/word/2006/wordml" 
            xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingShape" 
            mc:Ignorable="w14 w15 w16se w16cid wp14">
  <w:body>
    <w:p w14:paraId="487FD595" w14:textId="088DF81C" w:rsidR="0096521E" w:rsidRDefault="006C2D61">
      <w:r>
        <w:rPr>
          <w:rFonts w:hint="eastAsia"/>
        </w:rPr>
        <w:t>11111</w:t>
      </w:r>
      <w:bookmarkStart w:id="0" w:name="_GoBack"/>
      <w:bookmarkEnd w:id="0"/>
    </w:p>
    <w:sectPr w:rsidR="0096521E">
      <w:pgSz w:w="11906" w:h="16838"/>
      <w:pgMar w:top="1440" w:right="1800" w:bottom="1440" w:left="1800" w:header="851" w:footer="992" w:gutter="0"/>
      <w:cols w:space="425"/>
      <w:docGrid w:type="lines" w:linePitch="312"/>
    </w:sectPr>
  </w:body>
</w:document>

w:document标记没什么好说的，就是声明一个document的根类，当然它里面有一堆namespace的声明，看着挺心烦的。。。

w:body标记，就是声明文档的主体部分

w:p标记，标记一个段落

w:r标记，标记一行

w:rPr标记

w:t标记，标记一个文本，我们的老朋友"11111"就在这里

w:bookmarkStart标记，书签起始标记

w:bookmarkEnd标记，书签终止标记

w:secPr标记

w:pgSz标记，页面大小标记，其中w:w表示宽度，w:h表示高度

w:pgMar标记

w:cols标记

w:docGrid标记

作为最简单的文本解析，我们只需定位到w:body标记，读出所有的w:p标记，然后挨个遍历w:p标记，从w:p标记解析出w:t标记，这样就能获取到相应的文本内容

如果我们能够处理docx文档里面的所有的内容，或许你也可以写一个word软件来 :)