教你用十行node.js代码阅读docx的文本

序

最近有一个案例。Word文档需要解析。有两个要求，一是把word文档转换成PDF，二是把word文档的内容按照一定的规范读入数据库。我去npm仓库找了大概十几个包，发现代码主要有以下几种转换方式。

通过调用底层系统程序(如office)的API进行转换；生成PDF通过模板和替换数据；通过一些免费把word转成PDF的网站，比如docx转PDF；后来，我通过尝试先把docx转换成文本，找到了一个textract包。

当然也有一些缺点，比如docx中的标题号，图片等文件。

不怕死，我决定自己做。

介绍

实际上，docx是一个zip包，然后它封装了一些xml文件。您可以直接将docx的包更改为。拉上拉链打开查看。

输入单词文件夹

里面有几个主要文件。

这是文档编号的主要内容。这是标题号和标题号样式的一些属性。这是样式列表。打开document.xml，你会发现所有的文本都用w:t标签包装。这是本文的重点

密码

首先，你需要安装一个可以通过npm查看zip文件的包：ADM-zip；

然后，写下以下代码

const fs=require(' fs ')；const AdmZIp=require(' Adm-ZIp ')；//引入package const zip=new AdmZip(file path)用于查看zip文件；//filePath是让内容XML=zip . readastext(' word/document . XML ')的文件路径；//将document.xml作为文本内容读取；let str=contentXml。匹配(/w:t[\s\S]*？\/w:t/ig)。forEach((item)={ str=item . slice(5，-6)})；FS.writefile('。/2.txt '，str，(err)={//Replace。/2.txt，带有您希望在(err)throw err时输出的文件路径；});最近我们在用node.js分析docx的工作。先把最简单的写在上面。以后有空继续分享

最新更新

今天的测试发现，更新后的代码比源代码效率高十倍以上。

//原始代码//str=item。替换(' w:t '，' ')。替换('/w:t '，' ')；//更新代码str=item.slice(5，-6)并附加测试代码

var str=' w : tsdf jpasif aefnmasd；lf asdfsdf/w :t '；var arr=[]；for(var I=0；i50000I){ arr . push(str)；} console . time(' replacestt ')；arr . foreach((item)={ item . replace(/w :t/，' ')。替换(/\/w:t/，' ')；});console . timeend(' replacestt ')；//replacests : 20.560 mscon sole . time(' replacests 2 ')；arr . foreach((item)={ item . replace(/\/* w :t/g ' ')；});console . timeend(' replacest2 ')；//replacestt 2: 14.926 msconsole . time(' replacestt 3 ')；arr.forEach((项目)={ item.replace(/(^w:t)|(\/w:t$)/g,'')；});console . timeend(' replacests 3 ')；//replacests 3: 14.402 mscon sole . time(' slice ')；arr . foreach((item)={ item . slice(5，-6)；});console . timeend(' slice ')；//slice: 1.718ms摘要

以上就是本文的全部内容。希望这篇文章的内容对大家学习或者使用node.js有帮助，有问题可以留言交流。