.NET平台下不借助Office实现Word、Powerpoint等文件的解析(完)
.NET平台下不借助Office实现Word、Powerpoint等文件的解析(完)
【题外话】
这是这个系列的最后一篇文章了，为了不让自己觉得少点什么，顺便让自己感觉完美一些，就再把OOXML说一下吧。不过说实话，OOXML真的太容易解析了，而且这方面的文档包括成熟的开源类库也特别特别特别的多，所以我就稍微说一下，文章中引用了不少的链接，感兴趣的话可以深入了解下。
【系列索引】
Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(一)获取Office二进制文档的DocumentSummaryInformation以及SummaryInformation Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(二)
获取Word二进制文档（.doc）的文字内容（包括正文、页眉、页脚、批注等等） Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(三)
详细介绍Office二进制文档中的存储结构，以及获取PowerPoint二进制文档（.ppt）的文字内容 Office文件的奥秘——.NET平台下不借助Office实现Word、Powerpoint等文件的解析(完)
介绍Office Open XML文档（.docx、.pptx）如何进行解析以及解析Office文件常见开源类库
【文章索引】
初见Office Open XML(OOXML) OOXML文档属性的解析 Word 2007文件的解析 PowerPoint 2007文件的解析 常见Office文档（Word、PowerPoint、Excel）文件的开源类库 相关链接【一、初见Office Open XML(OOXML)】
先来看一段微软官方对Office Open XML的说明（详细见 http://office.microsoft.com/zh-cn/support/HA010205815.aspx?CTT=3 ）：
可以看到，与Windows 复合文档不同的是，OOXML生来就是开放的，而且由于基于zip+xml的格式，使得读取变得更容易，如果仅是为了抽取文字，我们甚至不需要读取文档的任何参数！
如果您之前不了解OOXML的话，我们可以把手头docx、pptx以及xlsx文件的扩展名改为zip，然后用压缩软件打开看看。
打开的这三个文件分别是docx、pptx和xlsx，我们可以看到，目录结构清晰可见，所以我们只需要使用读取zip的类库读取zip文件，然后再解析xml文件即可。对于使用.NET Framework 3.0及以上的，可以直接使用.NET自带的Package类（System.IO.Packaging，在WindowsBase.dll中）进行解压，个人感觉如果只是读取zip流中的文件流或内容，WindowsBase中的Package还是很好用的。如果用于.NET CF或者2.0甚至以下的CLR可以使用SharpZipLib（支持CLR 1.1、2.0、4.0，官方网站 http://www.icsharpcode.net/ ），也可以使用DotNetZip（支持CLR 2.0，官方网站 http://dotnetzip.codeplex.com/ ），个人感觉后者的License更友好些。
比如我们使用自带的Package打开OOXML文件：
View Code
1 #region 字段
2 protected FileStream m_stream;
3 protected Package m_package;
4 #endregion
5
6 #region 构造函数
7 /// <summary>
8 /// 初始化OfficeOpenXMLFile
9 /// </summary>
10 /// <param name="filePath"> 文件路径 </param>
11 public OfficeOpenXMLFile(String filePath)
12 {
13 try
14 {
15 this .m_stream = new FileStream(filePath, FileMode.Open, FileAccess.Read);
16 this .m_package = Package.Open( this .m_stream);
17
18 this .ReadProperties();
19 this .ReadCoreProperties();
20 this .ReadContent();
21 }
22 finally
23 {
24 if ( this .m_package != null )
25 {
26 this .m_package.Close();
27 }
28
29 if ( this .m_stream != null )
30 {
31 this .m_stream.Close();
32 }
33 }
34 }
35 #endregion
【二、OOXML文档属性的解析】
OOXML文件的文档属性其实存在于docProps目录下，比较重要的有三个文件
app.xml：记录文档的属性，内容类似之前的DocumentSummaryInformation。 core.xml：记录文档核心的属性，比如创建时间、最后修改时间等等，内容类似之前的SummaryInformation。 thumbnail.*：文档的缩略图，不同文件存储的是不同的格式，比如Word为emf，Excel为wmf，PowerPoint为jpeg。我们只需要遍历XML文件中所有的子节点就可以读出所有的属性，为了好看，这里还用的Windows复合文件中的名称：
View Code
1 #region 常量
2 private const String PropertiesNameSpace = " http://schemas.openxmlformats.org/officeDocument/2006/extended-properties " ;
3 private const String CorePropertiesNameSpace = " http://schemas.openxmlformats.org/package/2006/metadata/core-properties " ;
4 #endregion
5
6 #region 字段
7 protected Dictionary<String, String> m_properties;
8 protected Dictionary<String, String> m_coreProperties;
9 #endregion
10
11 #region 属性
12 /// <summary>
13 /// 获取DocumentSummaryInformation
14 /// </summary>
15 public override Dictionary<String, String> DocumentSummaryInformation
16 {
17 get
18 {
19 return this .m_properties;
20 }
21 }
22
23 /// <summary>
24 /// 获取SummaryInformation
25 /// </summary>
26 public override Dictionary<String, String> SummaryInformation
27 {
28 get
29 {
30 return this .m_coreProperties;
31 }
32 }
33 #endregion
34
35 #region 读取Properties
36 private void ReadProperties()
37 {
38 if ( this .m_package == null )
39 {
40 return ;
41 }
42
43 PackagePart part = this .m_package.GetPart( new Uri( " /docProps/app.xml " , UriKind.Relative));
44 if (part == null )
45 {
46 return ;
47 }
48
49 XmlDocument doc = new XmlDocument();
50 doc.Load(part.GetStream());
51
52 XmlNodeList nodes = doc.GetElementsByTagName( " Properties " , PropertiesNameSpace);
53 if (nodes.Count < 1 )
54 {
55 return ;
56 }
57
58 this .m_properties = new Dictionary<String, String> ();
59 foreach (XmlElement element in nodes[ 0 ])
60 {
61 this .m_properties.Add(element.LocalName, element.InnerText);
62 }
63 }
64 #endregion
65
66 #region 读取CoreProperties
67 private void ReadCoreProperties()
68 {
69 if ( this .m_package == null )
70 {
71 return ;
72 }
73
74 PackagePart part = this .m_package.GetPart( new Uri( " /docProps/core.xml " , UriKind.Relative));
75 if (part == null )
76 {
77 return ;
78 }
79
80 XmlDocument doc = new XmlDocument();
81 doc.Load(part.GetStream());
82
83 XmlNodeList nodes = doc.GetElementsByTagName( " coreProperties " , CorePropertiesNameSpace);
84 if (nodes.Count < 1 )
85 {
86 return ;
87 }
88
89 this .m_coreProperties = new Dictionary<String, String> ();
90 foreach (XmlElement element in nodes[ 0 ])
91 {
92 this .m_coreProperties.Add(element.LocalName, element.InnerText);
93 }
94 }
95 #endregion
【三、Word 2007文件的解析】
Word文件（.docx）主要的内容基本都存在于word目录下，比较重要的有以下的内容
document.xml：记录Word文档的正文内容 footer*.xml：记录Word文档的页脚 header*.xml：记录Word文档的页眉 comments.xml：记录Word文档的批注 endnotes.xml：记录WOrd文档的尾注这里我们只读取Word文档的正文内容，由于OOXML文档在存储文字时也是嵌套结构存储的，比如对于Word而言，<w:p></w:p>之间存储的是段落，段落中会嵌套着<w:t></w:t>，而这个存储的是文字。除此之外<w:tab/>是Tab符号，<w:br w:type="page"/>是分页符等等，所以我们需要写一个方法递归处理这些标签：
View Code
1 /// <summary>
2 /// 抽取Node中的文字
3 /// </summary>
4 /// <param name="node"> XmlNode </param>
5 /// <returns> Node中的文字 </returns>
6 public static String ReadNode(XmlNode node)
7 {
8 if ((node == null ) || (node.NodeType != XmlNodeType.Element)) // 如果node为空
9 {
10 return String.Empty;
11 }
12
13 StringBuilder nodeContent = new StringBuilder();
14
15 foreach (XmlNode child in node.ChildNodes)
16 {
17 if (child.NodeType != XmlNodeType.Element)
18 {
19 continue ;
20 }
21
22 switch (child.LocalName)
23 {
24 case " t " : // 正文
25 nodeContent.Append(child.InnerText.TrimEnd());
26
27 String space = ((XmlElement)child).GetAttribute( " xml:space " );
28 if ((!String.IsNullOrEmpty(space)) && (space == " preserve " )) nodeContent.Append( ' ' );
29 break ;
30 case " cr " : // 换行符
31 case " br " : // 换页符
32 nodeContent.Append(Environment.NewLine);
33 break ;
34 case " tab " : // Tab
35 nodeContent.Append( " \t " );
36 break ;
37 case " p " : // 段落
38 nodeContent.Append(ReadNode(child));
39 nodeContent.Append(Environment.NewLine);
40 break ;
41 default : // 其他情况
42 nodeContent.Append(ReadNode(child));
43 break ;
44 }
45 }
46
47 return nodeContent.ToString();
48 }
然后我们从根标签开始读取就可以了
View Code
1 #region 常量
2 private const String WordNameSpace = " http://schemas.openxmlformats.org/wordprocessingml/2006/main " ;
3 #endregion
4
5 #region 字段
6 private String m_paragraphText;
7 #endregion
8
9 #region 属性
10 /// <summary>
11 /// 获取文档正文内容
12 /// </summary>
13 public String ParagraphText
14 {
15 get { return this .m_paragraphText; }
16 }
17 #endregion
18
19 #region 读取内容
20 protected override void ReadContent()
21 {
22 if ( this .m_package == null )
23 {
24 return ;
25 }
26
27 PackagePart part = this .m_package.GetPart( new Uri( " /word/document.xml " , UriKind.Relative));
28 if (part == null )
29 {
30 return ;
31 }
32
33 StringBuilder content = new StringBuilder();
34 XmlDocument doc = new XmlDocument();
35 doc.Load(part.GetStream());
36
37 XmlNamespaceManager nsManager = new XmlNamespaceManager(doc.NameTable);
38 nsManager.AddNamespace( " w " , WordNameSpace);
39
40 XmlNode node = doc.SelectSingleNode( " /w:document/w:body " , nsManager);
41
42 if (node == null )
43 {
44 return ;
45 }
46
47 content.Append(NodeHelper.ReadNode(node));
48
49 this .m_paragraphText = content.ToString();
50 }
51 #endregion
【四、PowerPoint 2007文件的解析】
PowerPoint文件（.pptx）主要的内容都存在于ppt目录下，而幻灯片的信息则又在slides子目录下，这里边幻灯片按照slide + 页序号 +.xml的名称进行存储，我们挨个顺序读取就可以。不过需要注意的是，由于字符串比较的问题，如“slide10.xml”<"slide2.xml"，所以如果你按顺序读取的话可能会出现页码错乱的情况，所以我们可以先进行排序然后再挨个页面从根标签读取就可以了。
View Code
1 #region 常量
2 private const String PowerPointNameSpace = " http://schemas.openxmlformats.org/presentationml/2006/main " ;
3 #endregion
4
5 #region 字段
6 private StringBuilder m_allText;
7 #endregion
8
9 #region 属性
10 /// <summary>
11 /// 获取PowerPoint幻灯片中所有文本
12 /// </summary>
13 public String AllText
14 {
15 get { return this .m_allText.ToString(); }
16 }
17 #endregion
18
19 #region 构造函数
20 /// <summary>
21 /// 初始化PptxFile
22 /// </summary>
23 /// <param name="filePath"> 文件路径 </param>
24 public PptxFile(String filePath) :
25 base (filePath) { }
26 #endregion
27
28 #region 读取内容
29 protected override void ReadContent()
30 {
31 if ( this .m_package == null )
32 {
33 return ;
34 }
35
36 this .m_allText = new StringBuilder();
37
38 XmlDocument doc = null ;
39 PackagePartCollection col = this .m_package.GetParts();
40 SortedList<Int32, XmlDocument> list = new SortedList<Int32, XmlDocument> ();
41
42 foreach (PackagePart part in col)
43 {
44 if (part.Uri.ToString().IndexOf( " ppt/slides/slide " , StringComparison.OrdinalIgnoreCase) > - 1 )
45 {
46 doc = new XmlDocument();
47 doc.Load(part.GetStream());
48
49 String pageName = part.Uri.ToString().Replace( " /ppt/slides/slide " , "" ).Replace( " .xml " , "" );
50 Int32 index = 0 ;
51 Int32.TryParse(pageName, out index);
52
53 list.Add(index, doc);
54 }
55 }
56
57 foreach (KeyValuePair<Int32, XmlDocument> pair in list)
58 {
59 XmlNamespaceManager nsManager = new XmlNamespaceManager(doc.NameTable);
60 nsManager.AddNamespace( " p " , PowerPointNameSpace);
61
62 XmlNode node = pair.Value.SelectSingleNode( " /p:sld " , nsManager);
63
64 if (node == null )
65 {
66 continue ;
67 }
68
69 this .m_allText.Append(NodeHelper.ReadNode(node));
70 }
71 }
72 #endregion
附，本系列全部代码下载： https://files.cnblogs.com/mayswind/DotMaysWind.OfficeReader_4.rar
【五、常见Office文档（Word、PowerPoint、Excel）文件的开源类库】
1、NPOI： http://npoi.codeplex.com
这个没的说，.NET上最好的，没有之一，Office文档类库，提供完整的Excel读取与编辑操作，目前支持二进制（.xls）文件和OOXML（.xlsx）两种格式。如果用过Apache的Java类库POI的话，NPOI提供几乎一样的类库。实际上，对于ASP.NET，需要编辑的Office文档大多都是Excel文件，或者也可以使用Excel文件代替，所以使用NPOI几乎已经能满足所有需要。目前已经支持docx文件，而doc的支持则在NPOI.ScratchPad中，大家可以去Source Code中下载自己编译。如果不需要OOXML的话，类库仅有1.5MB，并且支持.NET CLR 2.0和4.0。
2、Open XML SDK 2.0 for Microsoft Office： http://msdn.microsoft.com/en-us/library/bb448854(office.14).aspx
微软提供的Open XML SDK，支持读写任意OOXML文档，其同时提供了一个工具，可以打开Office文档然后直接生成使用该类库生成该文档的程序代码。只不过类库确实大了些，有5MB之多，并且需要.NET Framework 3.5的支持。
3、Office Binary Translator to Open XML： http://b2xtranslator.sourceforge.net/
这是我最近才知道的一个类库，其实很早很早以前就有了，其可以将Windows复合文档（.doc、.ppt、.xls）转换为对应的OOXML格式（.docx、.pptx、.xlsx），当然你也可以获取文件中存储的内容。不知道为什么，这个网站被墙了。如果你想研究Windows复合文档的话，我比较推荐这个类库，因为NPOI实在是太完美的一个类库，要想走一遍文件读取的流程实在是太复杂，但是如果用这个类库单步的话还是很容易懂的。这个类库将每种文件的支持（以及支持的模块等）都拆分到了不同的项目中，支持每种文件仅需要几百KB，而且是基于.NET CLR 2.0的。
4、EPPlus： http://epplus.codeplex.com
在2010年NPOI还不支持OOXML的时候，个人感觉EPPlus是最好的.xlsx文件处理的类库，其仅有几百KB，非常轻量，对于zip文件的读取，这个类库没有选择SharpZipLib或者DotNetZip，老版本需要.NET Framework 3.0就行，刚看了下新版本得需要.NET Framework 3.5才可以。
5、ExcelDataReader： http://exceldatareader.codeplex.com
也是一个非常轻量并且好用的库，同时支持读取.xls和.xlsx，当年在使用EPPlus之前使用的这个类库，记不得是因为什么问题替换成了EPPlus，也不知道这个问题现在解决了没有。这个类库的好处是仅需要.NET CLR 2.0，并且支持.NET CF，只不过现在已经不需要开发Windows Mobile的应用了。
【六、相关链接】
1、OpenXMLDeveloper.org： http://openxmldeveloper.org
2、如何：从 Office Open XML 文档检索段落： http://msdn.microsoft.com/zh-cn/library/bb669175.aspx
3、如何操作 Office Open XML 格式文档： http://www.microsoft.com/china/msdn/library/office/office/howManipulateOfficexml.mspx
4、如何实现...（打开 XML SDK）： http://msdn.microsoft.com/zh-cn/library/bb491088.aspx
【后记】
终于到了最后一篇，这个系列就到这结束了，感谢大家的捧场，我也终于实现了两年前的心愿。说实话，我确实没想到第一篇会有那么多的访问和推荐，因为需要解析Office文档的毕竟是少数的。写这四篇文章也希望起到抛砖引玉的作用，起码可以对Office文档有个最基础的了解，而之后如果想深入了解下去也会容易得多，这也是我要把这些内容写出来的原因。
版权声明：本文发布于 博客园 ，作者为 大魔王mAysWINd ，文章欢迎转载，但请保留此段版权声明和原始链接，谢谢合作！
分类: C#
标签: .NET C# Office Open XML 文件 文字 解析 读取
作者： Leo_wl
出处： http://www.cnblogs.com/Leo_wl/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
版权信息查看更多关于.NET平台下不借助Office实现Word、Powerpoint等文件的解析(完)的详细内容...