.Net开发的Word抽取工具介绍

Word抽取工具

       在某项目中，我们需要实现java程序与MS Word的交互，虽然现在有一些开源类库（如：jacob）可以操作word，但是所提供的API接口毕竟数量有限，操作word时还有诸多不便。

       由于MS .Net与MS Word出自一家，都是微软的重要产品，在官方的API中也可以看到，.NET对Word的支持接口非常多，调用起来特别方便。所以我们在.NET平台下开发了一个Word抽取工具，该工具通过命令行的调用方式来实现与Word的交互。调用关系如下：

       Java程序->Word抽取工具（.NET）->通过API与Word交互

       在该项目中，我们实现了对Word以下的交互内容，由于保密的因素，这里就不再截图了，只是描述我们实现的功能。

1.提取word正文

在该项目中，我们需要对word的正文进行全文检索，所以需要通过Word抽取工具把Word正文内容抽取到文本文件中，并读入到TRSServer库中进行全文检索。

抽取word正文的命令为：

抽取工具.exe –c D:\XXXX\source.docD:\YYYY\result.txt

Source.doc是要抽取的word文件的绝对地址

Result.txt是word正文抽取后的存放地址，该文件的编码格式为UTF-8。

2. 提取指定名称的word大纲视图

在项目中，多个地方需要抽取指定名称大纲下的内容，所以我们开发了抽取word大纲内容的接口。根据传入的大纲名称，匹配出需要提取的大纲内容并对内容进行分析，把分析结果存储到指定的文件中以返回给客户端使用。

3. 设置书签名称和书签内容

书签是word中非常好用的一个功能，当我们需要对word中某些固定的内容进行替换时，我们采用先给需要替换的内容增加上一个标签，每次需要替换这块内容的直接查找指定名称的标签，找到标签后直接设置标签的值即可。

在项目中，我们通过传入txt文本来描述标签的名称与值的映射关系，内容如下：

REPLACE=XXXX CHINESE_NAME=我是中文名 ENGLISH_NAME=yingwenming PUBLISH_TIME=201X－XX－XX PERFORM_TIME=201X－XX－XX

Word抽取工具会把word中指定名的标签替换为指定的结果内容，这里同样可以对word文档的页眉和页脚进行替换。

4. 导入word内容到数据库

在项目中，客户要求我们对计划、里程碑等信息都采用word的方式来存储，能够导入到我们的系统中，并形成结构化的数据存入到数据库中。这就要求我们需要对word正文中的内容进行抽取、分析，最终形成结构化的数据。我们采用的策略是：

Word文件->Word抽取工具->xml格式数据结果

通过Word抽取工具把Word文件转换为xml格式的数据文件，java应用通过读取xml数据格式文件并把结果存入到关系数据库。下面是导入格式数据中一种，如下图：

 

任务	2013年11月	2013年12月	2014年1月	2014年2月	2014年3月	2014年4月	备注
任务1	征求意见	召开预审会	提交上级部门	提交审批部门	提交验收部门	完成验收
任务2	召开预审会

 

5. Xml数据写入到word表格中

对于关系数据库中的数据，客户希望我们能够导出到word中，经过简单的调整后即可打印以便开会时使用。针对这部分功能，我们采取先把关系数据库中的数据封装成xml数据后送入Word抽取工具进行解析，Word抽取工具把传入的xml数据写入到word中。整体流程如下：

              关系数据库->xml格式数据->Word抽取工具->写入Word文件

              写入word文件时，我们项目中使用比较多的就是把结构化数据写入到Word表格中。

6. Word后缀名转换为其他格式的Word

通过Word抽取工具，我们很容易实现把xxx.doc转换为xxx.docx，或者把xxx.docx转换为xxx.doc文件。

              Doc格式是word 2003或者更早期的存储格式。

Docx格式是word2007及以后版本的存储格式。

当我们不确定客户端word版本时，可以通过该方法把docx的格式文件转化为doc格式的文件，从docx转换为doc格式，虽然有些对象在doc格式中是不支持的，但是word会把一些对象转化为doc格式中的替代格式。从doc格式转换为docx的格式是不会有兼容问题的。

这个功能总的来说就是通过命令行的方式来调用“Word中的另存为…”功能。通过命令行的方式，java程序调用非常方便。

7. 设置Word的高级自定义属性

在word文件上右键可以查看word的属性，如下图：

通过在word自定义属性中，我们可以记录一些文档的标识，以便文档再次导入系统时可以做一些校验。在项目中，我们允许文档导出之后再进行编辑，为了防止误操作覆盖了其他人的文档，我们在导出的文档贴上“身份标识”，导入时再验证该文档是否能够正确覆盖某个已存在的文档。

8. 读取自定义图形并在图形中设置文本内容

Word中的自定义图形就是指Word中插入的“形状”内容，如：矩形框、椭圆框等等，使用这些自定义图形的好处是无论输入多长的内容，该内容始终占据指定大小的位置（超长的内容不会显示）。

在该项目中，客户对word的排版比较重视，尤其是word文档的第一页（即封面），都是采用自定义图形来保障封面的布局。在实践中证明，自定义图形的使用能够很好的维持页面的布局，同时，对于图形中的文本文件操作也很方便，很实用。

9. Word转换为Html

Word是一种非结构化数据文件，但是我们可以通过把word转换成html格式文件（包括word中的图片）存储到关系数据库中，当需要在浏览器端展示上传的word内容时，可以直接读取关系数据库中存储的html内容显示在页面上，间接的实现了对word内容的抽取和展示。

该操作的执行过程与打开word后另存为“html”格式的效果是一样的，唯一的区别就是这里是通过命令行的方式来调用转换的。

 

       总的来说，这个项目对word的使用还是很深、很广的，这就要求Word抽取工具具备的功能比较多。在实际的开发过程中，.Net调用的是Word的Api接口，通过该API基本可以实现在word中的所有操作。从这里也可以看出，Word的接口调用，还是在.NET环境下使用方便。