教你用十行node.js代码读取docx的文本

前言

最近有一个case。需要去解析word文档。有两个需求，一个是将word文档转成PDF，一个是将word文档中的内容按照一定的规范读取到数据库中，去npm仓库找了大概有十几个包，发现主要是通过以下的方式来转换代码。

通过调用系统底层程序（比如说office）的API来转换；
通过模板，替换数据来实现生成PDF；
通过有些免费将word转成PDF的网站来实现将word转成PDF，比如docx-to-pdf；

后来退而求其次，想通过先将docx转成文字，发现了个textract的包。

当然也有缺点，不支持docx中的标题号，不支持图片等文件。

不怕死的我决定自己干这件事情。

介绍

其实docx就是一个zip包，然后封装了一些xml文件。可以直接将docx的包改后缀为.zip来打开观看。

进入word文件夹

里面有几个主要的文件。

document.xml 这个就是文档的主要内容
numbering.xml 这个就是标题号，以及标题号的一些属性
styles.xml 这个就是样式列表

打开document.xml 你就会发现，所有的文本都是用 <w:t>标签包着的。这个就是本文的关键

代码

首先，需要通过npm安装一个能查看zip文件的包：adm-zip；

然后，写下下列代码即可

const fs = require("fs");
const AdmZip = require('adm-zip'); //引入查看zip文件的包
const zip = new AdmZip(filePath); //filePath为文件路径
let contentXml = zip.readAsText("word/document.xml");//将document.xml读取为text内容；
let str = "";
contentXml .match(/<w:t>[\s\S]*?<\/w:t>/ig).forEach((item)=>{
str += item.slice(5,-6)});
fs.writeFile("./2.txt",str,(err)=>{//将./2.txt替换为你要输出的文件路径
if(err)throw err;
});

最近正在用node.js去解析docx的工作。先将最简单的写在上面。回头有空再继续分享

最新更新

之前随手写的代码，今天测试发现用更新后的代码比源代码的效率提升十倍以上。

//原代码
//str += item.replace("<w:t>","").replace("</w:t>","");
//更新代码
str += item.slice(5,-6)

附上测试代码

var str = "<w:t>sdfjpasif aefnmasd;lf asdfsdf</w:t>";
var arr = [];
for(var i=0;i<50000;i++){
 arr.push(str);
}
console.time("replactest");
arr.forEach((item)=>{
 item.replace(/<w:t>/,"").replace(/<\/w:t>/,"");
});
console.timeEnd("replactest");
//replactest: 20.560ms

console.time("replactest2");
arr.forEach((item)=>{
 item.replace(/<\/*w:t>/g,"");
});
console.timeEnd("replactest2");
//replactest2: 14.926ms

console.time("replactest3");
arr.forEach((item)=>{
 item.replace(/(^<w:t>)|(<\/w:t>$)/g,"");
});
console.timeEnd("replactest3");
//replactest3: 14.402ms

console.time("slice");
arr.forEach((item)=>{
 item.slice(5,-6);
});
console.timeEnd("slice");
//slice: 1.718ms

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家学习或者使用node.js能带来一定的帮助，如果有疑问大家可以留言交流。

# nodejs # 读取文件内容 # 读取文件 # 读取文本文件 # node.js readline和line-reader逐行读取文件方法 # node.js读取命令行参数详解 # node.js通过url读取文件 # node.js使用fs读取文件出错的解决方案 # Node.js fs模块(文件模块)创建、删除目录(文件)读取写入文件流的方法 # Node.js中读取TXT文件内容fs.readFile()用法 # node.js读取Excel数据（下载图片）的方法示例 # Node.js readline 逐行读取、写入文件内容的示例 # Node.js读取文件内容示例 # node.js读取文件到字符串的方法 # node.js实现逐行读取文件内容的代码 # node.js生成与读取csv文件方法详解 # 转成 # 文档 # 不支持 # 来实现 # 先将 # 都是 # 也有 # 你要 # 退而求其次 # 有几个 # 可以直接 # 找了 # 这篇文章 # 主要内容 # 最简单 # 你就会 # 写在 # 装了 # 十几个 # 数据库中

返回目录在线咨询

上一篇：PHP如何将数组转换为XML格式
下一篇：网络营销物流风险分析,农业电商平台的主要运营风险有哪些？

您的项目需求

*请认真填写需求信息，我们会在24小时内与您取得联系。

全网整合营销服务商

教你用十行node.js代码读取docx的文本

您的项目需求