.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
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
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
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
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。
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！