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)

【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】 

1. 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
2. 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）
3. 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
4. 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】

1. 初见Office Open XML(OOXML)
2. OOXML文档属性的解析
3. Word 2007文件的解析
4. PowerPoint 2007文件的解析
5. 常见Office文档（Word、PowerPoint、Excel）文件的开源类库
6. 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：

#region 字段
protected FileStream m_stream;
protected Package m_package;
#endregion

#region 构造函数
/// <summary>
/// 初始化OfficeOpenXMLFile
/// </summary>
/// <param name="filePath">文件路径</param>
public OfficeOpenXMLFile(String filePath)
{
    try
    {
        this.m_stream = new FileStream(filePath, FileMode.Open, FileAccess.Read);
        this.m_package = Package.Open(this.m_stream);

        this.ReadProperties();
        this.ReadCoreProperties();
        this.ReadContent();
    }
    finally
    {
        if (this.m_package != null)
        {
            this.m_package.Close();
        }

        if (this.m_stream != null)
        {
            this.m_stream.Close();
        }
    }
}
#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：

#region 常量
private const String PropertiesNameSpace = "http://schemas.openxmlformats.org/officeDocument/2006/extended-properties";
private const String CorePropertiesNameSpace = "http://schemas.openxmlformats.org/package/2006/metadata/core-properties";
#endregion

#region 字段
protected Dictionary<String, String> m_properties;
protected Dictionary<String, String> m_coreProperties;
#endregion

#region 属性
/// <summary>
/// 获取DocumentSummaryInformation
/// </summary>
public override Dictionary<String, String> DocumentSummaryInformation
{
    get
    {
        return this.m_properties;
    }
}

/// <summary>
/// 获取SummaryInformation
/// </summary>
public override Dictionary<String, String> SummaryInformation
{
    get
    {
        return this.m_coreProperties;
    }
}
#endregion

#region 读取Properties
private void ReadProperties()
{
    if (this.m_package == null)
    {
        return;
    }

    PackagePart part = this.m_package.GetPart(new Uri("/docProps/app.xml", UriKind.Relative));
    if (part == null)
    {
        return;
    }

    XmlDocument doc = new XmlDocument();
    doc.Load(part.GetStream());

    XmlNodeList nodes = doc.GetElementsByTagName("Properties", PropertiesNameSpace);
    if (nodes.Count < 1)
    {
        return;
    }

    this.m_properties = new Dictionary<String, String>();
    foreach (XmlElement element in nodes[0])
    {
        this.m_properties.Add(element.LocalName, element.InnerText);
    }
}
#endregion

#region 读取CoreProperties
private void ReadCoreProperties()
{
    if (this.m_package == null)
    {
        return;
    }

    PackagePart part = this.m_package.GetPart(new Uri("/docProps/core.xml", UriKind.Relative));
    if (part == null)
    {
        return;
    }

    XmlDocument doc = new XmlDocument();
    doc.Load(part.GetStream());

    XmlNodeList nodes = doc.GetElementsByTagName("coreProperties", CorePropertiesNameSpace);
    if (nodes.Count < 1)
    {
        return;
    }
    
    this.m_coreProperties = new Dictionary<String, String>();
    foreach (XmlElement element in nodes[0])
    {
        this.m_coreProperties.Add(element.LocalName, element.InnerText);
    }
}
#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
• footnotes.xml：记录Word文档的脚注
• 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：

/// <summary>
/// 抽取Node中的文字
/// </summary>
/// <param name="node">XmlNode</param>
/// <returns>Node中的文字</returns>
public static String ReadNode(XmlNode node)
{
    if ((node == null) || (node.NodeType != XmlNodeType.Element))//如果node为空
    {
        return String.Empty;
    }

    StringBuilder nodeContent = new StringBuilder();

    foreach (XmlNode child in node.ChildNodes)
    {
        if (child.NodeType != XmlNodeType.Element)
        {
            continue;
        }

        switch (child.LocalName)
        {
            case "t"://正文
                nodeContent.Append(child.InnerText.TrimEnd());

                String space = ((XmlElement)child).GetAttribute("xml:space");
                if ((!String.IsNullOrEmpty(space)) && (space == "preserve")) nodeContent.Append(' ');
                break;
            case "cr"://换行符
            case "br"://换页符
                nodeContent.Append(Environment.NewLine);
                break;
            case "tab"://Tab
                nodeContent.Append("\t");
                break;
            case "p"://段落
                nodeContent.Append(ReadNode(child));
                nodeContent.Append(Environment.NewLine);
                break;
            default://其他情况
                nodeContent.Append(ReadNode(child));
                break;
        }
    }

    return nodeContent.ToString();
}

然后我们从根标签开始读取就可以了

#region 常量
private const String WordNameSpace = "http://schemas.openxmlformats.org/wordprocessingml/2006/main";
#endregion

#region 字段
private String m_paragraphText;
#endregion

#region 属性
/// <summary>
/// 获取文档正文内容
/// </summary>
public String ParagraphText
{
    get { return this.m_paragraphText; }
}
#endregion

#region 读取内容
protected override void ReadContent()
{
    if (this.m_package == null)
    {
        return;
    }

    PackagePart part = this.m_package.GetPart(new Uri("/word/document.xml", UriKind.Relative));
    if (part == null)
    {
        return;
    }

    StringBuilder content = new StringBuilder();
    XmlDocument doc = new XmlDocument();
    doc.Load(part.GetStream());

    XmlNamespaceManager nsManager = new XmlNamespaceManager(doc.NameTable);
    nsManager.AddNamespace("w", WordNameSpace);

    XmlNode node = doc.SelectSingleNode("/w:document/w:body", nsManager);

    if (node == null)
    {
        return;
    }

    content.Append(NodeHelper.ReadNode(node));

    this.m_paragraphText = content.ToString();
}
#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。

#region 常量
private const String PowerPointNameSpace = "http://schemas.openxmlformats.org/presentationml/2006/main";
#endregion

#region 字段
private StringBuilder m_allText;
#endregion

#region 属性
/// <summary>
/// 获取PowerPoint幻灯片中所有文本
/// </summary>
public String AllText
{
    get { return this.m_allText.ToString(); }
}
#endregion

#region 构造函数
/// <summary>
/// 初始化PptxFile
/// </summary>
/// <param name="filePath">文件路径</param>
public PptxFile(String filePath) :
    base(filePath) { }
#endregion

#region 读取内容
protected override void ReadContent()
{
    if (this.m_package == null)
    {
        return;
    }

    this.m_allText = new StringBuilder();

    XmlDocument doc = null;
    PackagePartCollection col = this.m_package.GetParts();
    SortedList<Int32, XmlDocument> list = new SortedList<Int32, XmlDocument>();
    
    foreach (PackagePart part in col)
    {
        if (part.Uri.ToString().IndexOf("ppt/slides/slide", StringComparison.OrdinalIgnoreCase) > -1)
        {
            doc = new XmlDocument();
            doc.Load(part.GetStream());

            String pageName = part.Uri.ToString().Replace("/ppt/slides/slide", "").Replace(".xml", "");
            Int32 index = 0;
            Int32.TryParse(pageName, out index);

            list.Add(index, doc);
        }
    }

    foreach (KeyValuePair<Int32, XmlDocument> pair in list)
    {
        XmlNamespaceManager nsManager = new XmlNamespaceManager(doc.NameTable);
        nsManager.AddNamespace("p", PowerPointNameSpace);

        XmlNode node = pair.Value.SelectSingleNode("/p:sld", nsManager);

        if (node == null)
        {
            continue;
        }

        this.m_allText.Append(NodeHelper.ReadNode(node));
    }
}
#endregion

附，本系列全部代码下载：https://github.com/mayswind/SimpleOfficeReader

【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。

【补遗】

在写完这四篇文章后，我偶然发现微软关于这方面竟然有中文文档，泪奔了，为什么之前我没有找到。所以在此附上几篇常用的链接。

1、了解 Office 二进制文件格式：http://msdn.microsoft.com/zh-cn/library/gg615407(v=office.14).aspx
2、了解 Word MS-DOC 二进制文件格式：http://msdn.microsoft.com/zh-CN/library/gg615596
3、了解 PowerPoint MS-PPT 二进制文件格式：http://msdn.microsoft.com/zh-CN/library/gg615594
4、了解采用 Office 二进制文件格式的图形：http://msdn.microsoft.com/zh-CN/library/gg985447
5、在二进制 PowerPoint MS-PPT 文件中查找图形：http://msdn.microsoft.com/zh-CN/library/hh244173