javascript读取xml-十行代码教你用node.js阅读docx中的文本

也想出现在这里？点击联系我~

立即下单

进入商城

进不了网站？换个网络试试！

前言

最近有一个案例。 需要解析word文档。 有两个需求，一是将word文档转换为PDF，二是将word文档中的内容按照一定的规范读取到数据库中。 我去npm仓库找了大概十几个包，发现主要是通过下面的方法来转换代码。

后来我退而求其次，找到了一个texttract包，先把docx转成文本。

当然，也有缺点。 不支持docx中的标题编号，也不支持图片等文件。

我不怕死javascript读取xml，决定自己做。

介绍

其实docx就是一个zip包，然后封装了一些xml文件。 您可以直接将docx包的后缀更改为.zip来打开观看。

粘贴_图像.png

输入word文件夹

粘贴_图像.png

里面有几个主要文件。

document.xml 这是文档的主要内容

numbering.xml 这是标题编号，以及标题编号的一些属性

styles.xml 这是样式列表

打开document.xmljavascript读取xml，你会发现所有的文本都被标签包裹住了。这就是本文的关键

代码

最近，我正在使用node.js来解析docx。 先写最简单的，有时间再回去继续分享

2月13日更新

之前手写的代码，今天测试发现使用更新后的代码效率比源码高十倍以上。

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

附上测试代码

var str = "sdfjpasif aefnmasd;lf asdfsdf";
var arr = [];
for(var i=0;i<50000;i++){
    arr.push(str);
}
console.time("replactest");
arr.forEach((item)=>{
    item.replace(//,"").replace(//,"");
});
console.timeEnd("replactest");
//replactest: 20.560ms
console.time("replactest2");
arr.forEach((item)=>{
    item.replace(//g,"");
});
console.timeEnd("replactest2");
//replactest2: 14.926ms
console.time("replactest3");
arr.forEach((item)=>{
    item.replace(/(^)|($)/g,"");
});
console.timeEnd("replactest3");
//replactest3: 14.402ms
console.time("slice");
arr.forEach((item)=>{
    item.slice(5,-6);
});
console.timeEnd("slice");
//slice: 1.718ms