欢迎大家来到IT世界,在知识的湖畔探索吧!

一、应用场景：有什么用处？

我在从事教育信息化的工作中，经常会用到word的解析。

有人会纳闷，我们都是用word编辑文字，你却去解析它。你今天必须解释一下，解析……是什么意思？

解析就是解剖并分析。解析word，就是提取word里面的结构和内容。

举个例子，不管是考驾照，还是考资格证，我们都有过在设备上做题的经历。

这些题目，你之所以能在前端看到，其实是有人在后端一条条录入的。就像你提交个人信息报备那样。

上面的这种方式的录入，在我们行业，是会被骂的！

尽管你觉得，这并没有什么不妥。

因为对于试卷，录入员拿到的是这样的原稿。

一套试卷有几十道题，一道题又有十来个属性，这么算来，一套题得填上百个框框（请用重庆话读：框框儿）。

其实，程序员完全可以通过技术手段，自己去读出word的内容。

理论上，word里展示的所有内容，程序员都能拿到。拿到数据之后，家境差点的公司，通过代码逻辑去找试卷名、选项这类属性。家境好点儿的企业，通过人工智能的NLP文本分类（我就是这么干的），可以更好地实现智能分类。

反正，两种途径都能实现。

而此时，录入员只负责编辑word就可以了。这个过程就叫做“word导入”。

能导入的前提，是可以解析出来word的内容。能解析word的前提，就是docx格式。

二、docx格式：为什么出现？

不知道您各位有没有印象，从某个时期开始，微软办公文件名的小尾巴多了一个“x”。原来word、PowerPoint还有excel，后缀名分别是doc、ppt、xls。后来，就突然涌现出了docx、pptx、xlsx。

到目前为止，这些x们占据了主流市场。

为什么？为什么要这样？我仿佛听到Office家族在抱着扫帚悲伤地唱：你伤害了Word，还Excel而过，你Access的贪婪，我PowerPoint……

原来的doc格式是加密的，只有微软自己家的软件才能打开。

后来微软觉得，这样并没有让自己很神圣，反而限制了自己的发展。

比如，金山WPS也是搞办公软件的，它的发展很快，积累了很多用户。不少人开始用wps了，word的用户面临被瓜分。于是，微软就基于Office Open XML标准，把文档家族做了兼容。

因为新标准是采用的xml格式记录信息的，所以就在.doc后面加了个x。新标准之后，即便是微软创建的文档，WPS也能打开。这样，用户只关心文档就行，不用在意用哪个软件，这就实现了用户共享。

反正，是这个意思，我猜的，别全信……

三、文件结构：怎么来解析？

那么，docx格式究竟是什么样子的呢？

它看起来是个文件，其实，它是个压缩包。

下面就是一个docx文档，是我亲手编辑的。

我再亲自做一下解压缩：将.docx改为.zip，右键选择解压文件，它就露出原形了。

上图演示了解压缩，并打开了word/media文件夹，这是文档里出现的图片。分析发现，在docx中同一张图复制多次，media里面只保留一张原图。这说明，它是个勤俭节约的好孩子。承载同样多的内容，docx格式比doc的体积要小。

正如我们看到，解压后它是有目录结构的。

放心，我不会挨个把文件都给你介绍一遍。因为，那并没有什么用。即便有用，你也记不住。即便你记得住，我也说不明白……为什么要学习那么全面的知识呢？汉字总计10万多个，常用字只有2500个，够用了。

我说几个比较关键的点。

3.1 主文件 document.xml

位于word下的document.xml文件，是docx的主战场。可以说，文档中你能看到的所有内容，在这里都有直接或者间接的记录。

document.xml是一个XML格式的文档。

我们来打开它，咱们先只打开一级。

为了你能看下去，我对数据做了处理，保证你只能看到关键信息。

<w:document>
    <w:body>
        <w:p>...</w:p>
        <w:p>...</w:p>
        <w:tbl>...</w:tbl>
        <w:p>...</w:p>
        ...
        <w:sectPr>...</w:sectPr>
    </w:body>
</w:document>

欢迎大家来到IT世界,在知识的湖畔探索吧!

我们看到，body体里，只有3种标签，分别是<w:p>、<w:tbl>和<w:sectPr>。

一个docx文档，基本由这三种成分组成。w指的是word，p指的是paragraph段落，tbl表示table表格。sectPr全称是section primp，这个千万别记，容易扰乱思路。

清空你的大脑，docx文档里就两种大类，一种叫<w:p>段落，另一种叫<w:tbl>表格。

3.2 段落标签 w:p

在docx中，段落是最常见的，是文档中最主要的组成单元。

和你理解的段落一样。不换行就属于一个段落。即便是“咔咔咔”敲上6个回车，虽然没有内容，那它也属于6个段落，在xml中是6个<w:p></w:p>。

另外，包含图片、流程图、公式等元素的内容，也是包含在段落中的。换句话说，它们都是小弟。

我们能用代码取到段落的信息吗？当然能！（这自问自答，被怀疑是凑字数）

我们用哪类编程语言都可以做到，因为仅仅就是读取XML文件。

但是对于教学而言，用python无疑是最佳的选择。

欢迎大家来到IT世界,在知识的湖畔探索吧!# 导入解析xml的库
import xml.dom.minidom as xdom
# 加载文档
xp = xdom.parse('word/document.xml')
# 获取文档根节点
root=xp.documentElement
# 获取body节点们
bodys = root.getElementsByTagName("w:body") 
# 因为getElements返回多个对象，我们只有一个
body = bodys[0]
# 循环遍历body下的节点
for i,ele in enumerate(body.childNodes):
    e_name = ele.nodeName
    # 打印{序号} -> {节点名称} is {对象}
    print(i,"->",e_name,"is",ele)

我们看一下打印结果，它和源文档完全对应，一个都没有少。

下面该详细说一下w:p的小弟们了。

3.3 文本标签 w:t

在纷杂的xml文件中，可以扒拉出来一个叫<w:t>标签。

<w:p>
    <w:r>
        <w:t>word的doc格式原来是不开源的，后来改成了docx格式后，是开源的。</w:t>
        ……
    </w:r>
    ……
</w:p>

这里面存储的内容，就是word里面的文字，t就是text的简称。

你在docx里面看到的每一个字，基本上都是被<w:t>和</w:r>所包裹的。

也就是说，如果我们拿出所有<w:t>标签内的文本，我们就做到了纯文本docx的解析。

代码，其实很简单，就是在<w:p>元素中，扫描<w:t>的标签并取出其内容。

上面我们已经拿到了body标签，所以从那里继续。

欢迎大家来到IT世界,在知识的湖畔探索吧!# 循环body下的大单元 w:p段落，w:tbl表格
for i,ele in enumerate(body.childNodes):
    # 找到包含w:t的标签,可能是多个
    wts = ele.getElementsByTagName("w:t") 
    ele_text = "" # 记录大单元内所有文本
    for wt in wts: # 循环
        ele_text = ele_text + wt.text
    print(ele_text) # 打印输出

看看代码对应的效果。

恭喜你，你已经学会了解析docx的文本了。

是的，提取一个docx的文本，就是这么简单。你现在就可以写一个程序，可以做到把docx转为txt。

但是……有一点我要告诉你，运行代码里的wt.text可能会报错，为了便于你理解，我特意写了伪代码。实际上，要从<w:t>中取出文本内容，可以像下面这样：

import re # 导入正则库
# 构建一个正则，去除<>标签
pattern_del_tag = re.compile(r'<[^>]+>',re.S)
# 把<w:t>元素转为xml格式<w:t>xxx</w:t>，然后去标签
t_text =  pattern_del_tag.sub('', wt.toxml())

我认为这么讲，你反而能理解。因为，不用在理解什么叫<w:t>的时候，还要分散注意力到正则表达式。

3.4 连续块 w:r

上面我们讲了如何去解析文字。但是，那太简单了。

文字是有样式的。

都在同一段w:p内的文字，它们的样式，可能不一样。

比如前两个字是红色，那么这两个字样式一样。但是，后两个字是绿色，和前面又不一样。

为了解决这个问题，docx把具有相同样式的文字，用<w:r>标签包裹。

r代表run。关于这个run的解释，很多国内文档都直接翻译为“运行”。

其实，run在英文中有很多解释。我觉得在这里更适合它的释义应该是：“一段”、“一系列”、“连续上演”。因此，我个人给这个标签起名叫：连续块。表示在这个标签之内的文本，是一个系列的，他们的特点是连续不间断的。

代码依然是处理xml文件的那一套，不是找标签就是拿属性。

还有其他的样式标签，你可以自己研究。我这里先抛砖引玉，举两个例子。

比如上面例子中的字体颜色，一般在<w:rPr>标签内。w依然表示word，r表示run，Pr表示Primp，是修饰、装饰的意思。<w:rPr>这个标签的释义就是：连续块的样式说明。类似的还有<w:pPr>，表示对段落paragraph的样式说明。<w:tcPr>，表示对表格单元格table cell的样式说明。

我们来看一下，连续块修饰<w:rPr>是如何定义的。

比如对于粗体、斜体的说明。

用代码进行判断，主要是tag的读取。能找到tag，就说明有此种样式的标记。

w_i = w_rPr.getElementsByTagName("w:i")
if w_i:
    print("是斜体")
w_b = w_rPr.getElementsByTagName("w:b")
if w_i:
    print("是粗体")

再比如对于各种线条的说明。

上面的例子，如果用代码进行判断的话，除了对 tag存在的判断，还需要获取属性值w:val，表示用了哪一类具体的样式。

w_u = w_rPr.getElementsByTagName("w:u")
if w_u:
    # 获取属性值用 getAttribute
    line_value = w_u[0].getAttribute("w:val")
    if line_value == "single":
        print("是下划线")
    if line_value == "double":
        print("是双划线")
    if line_value == "wave":
        print("是波浪形线")
    if line_value == "dotted":
        print("是虚线")

我可以很负责任地说，只要是文档中呈现的信息，在xml文件中都可以找到对应的标注。

我可以“吧啦吧啦”全告诉你，但是会影响你看其他的内容。有兴趣你可以去查资料，都是手册类型的资料，很方便。

我倒是觉得，你自己在word中标记一下，然后解压缩观察xml文件的变化，这样子学的更牢。反正我就是这么学来的。

以下是我用html把一个word文档做了复原。

这是docx原文档：

这是解析docx文档后呈现的html页面：

我们可以看到，包括字号、字体、字色、标线都可以复原。

只剩下两个重要的内容没有说了。那就是图片和表格。

3.5 图像标签 w:drawing

docx中的图片是如何从xml中提取出来的呢？

你在连续块<w:r>中会发现有一个<w:drawing>标签。这里面主要存放的，就是图画相关的信息。

图片仅仅是<w:drawing>中的一个小分类。除了图片，还有图表、形状、流程图等。

今天，咱们说个最简单的，那就是如何提取图片。

图片的标签是<pic:pic>，他在xml中如下定义：

<w:drawing>
    <pic:pic>
        <pic:blipFill>
            <a:blip r:embed="rId9"/>
        </pic:blipFill>
    </pic:pic>
</w:drawing>

其中，图片文件就藏在<a:blip r:embed=”rId9″/>中，里面的rId9就是捕获图片的线索。

还记不记得解压缩时，那个media文件夹，里面有好多图片。

是有图片，但这也不是rId9呀？

别急，有个文件专门做关联这件事情。它就是解压缩之后的word/_rels/document.xml.rels文件。

打开这个文件：

<?xml version="1.0" encoding="UTF-8" standalone="true"?>
<Relationships>
    ……
    <Relationship Target="media/image1.png" Id="rId9"/>
    <Relationship Target="media/image3.png" Id="rId11"/>
    <Relationship Target="media/image2.GIF" Id="rId10"/>
</Relationships>

哈哈，这里有档案，记录了哪个id指向哪个文件。于是，我们解析这个文件，就可以拿到对应关系。

然后，遇到pic中id等于rId9的，就把media/image1.png这个图片文件展示出来。

这，就实现了图片的解析。

可以鼓掌了！

3.6 表格标签 w:tbl

表格标签<w:tbl>的地位很重，它和段落标签<w:p>平级。

分析整个文档的顶层组成元素，我们不难发现，除了<w:tbl>就是<w:p>。

一开始，我不理解。为什么图表、流程图那么复杂的元素，却不配得到表格那么高的地位。天理何在？

后来，我解析到一个表格后发现。我，好像低估了<w:tbl>大佬的地位。

如果，你看到上面的图没有笑喷。那说明，你可能没有看懂本文。或者是我的笑点出了问题。

单纯表格的结构，其实不复杂。但是，表格里每一个单元格，却可以容纳另一个word文档。表格里面，图片、图表、文本样式，甚至表格里再来一个表格，什么都可以添加，它甚至是包含了<w:p>大佬。<w:tbl>和<w:p>并列，它反而是委屈的。

我们来看一下表格<w:tbl>的基本结构。

<w:tbl>
    <w:tblGrid>
        <w:gridCol/>
        <w:gridCol/>
    </w:tblGrid>
    <w:tr>
        <w:tc><w:p>...</w:p></w:tc>
        <w:tc>...</w:tc>
    </w:tr>
    <w:tr>
    ...
    </w:tr>
</w:tbl>

节点元素中，主要有两部分内容，一个<w:tblGrid>介绍表格列的个数。另一个是<w:tr>包含表格行的信息。 tr是table row的缩写。

其中，<w:tr>里面有<w:tc>，这里面是格子的内容。我们发现其内容，居然是一个它的兄弟节点<w:p>。在此，给表格大佬深深地鞠上一躬。

tc是table cell的缩写，表示单元格的意思。有人可能会说，tc是table column的缩写，表示表格的列。当我后面论述带有合并单元格的表格时，从结构上看，我们会感觉table cell更适合语境。

先说基本表格的解析，如下图所示：

解析的代码参考如下：

w_table = body.childNodes[0] # 拿到表格节点
# 获取所有的行
w_trs = w_table.getElementsByTagName("w:tr")
rows_text = [] # 存放行的文本
for r_index, tr in enumerate(w_trs):
    # 获取所有的单元格
    cells = tr.getElementsByTagName("w:tc")
    cells_text = [] # 存放单元格的文本
    for c_index, cell in enumerate(cells):
        # 获取所有的文本
        wts = cell.getElementsByTagName("w:t") 
        for wt in wts: # 把文本拼接
            cells_text.append(wt.text)
    rows_text.append(cells_text)
print(rows_text) # 打印结果，二维数组[[r1c1,r1c2],[r2c1,r2c2]]

运行一下代码，结果如下：

这里面我又挖坑了，除了前面讲w:t时的wt.text陷阱之外。w:tc的内容应该是去解析完整的w:p结构，而这里我只取了w:t文本。这样最简单。因为，我们是要理解表格的结构。因此，其他的可以假装看不见。

但是，也由此可见，做好表格解析的前提，是做好段落解析。因为表格单元格里是段落。

我相信，有了表格的解析结果（二维数组），你很容易就可以把它还原成表格页面用于展示。只需要循环就好，第一层循环行，第二层循环列。

我还是用1分钟写一下代码吧：

rows_text = [['名称', '后缀名'], ['Word', 'docx']]
table_html = ["<table>"] 
for row in rows_text:
    table_html.append("<tr>")
    for cell in row:
        table_html.append("<td>"+cell+"</td>")
    table_html.append("</tr>")
table_html.append("</table>")
table_html = "".join(table_html)
print(table_html)
# <table>
# <tr><td>名称</td><td>后缀名</td></tr>
# <tr><td>Word</td><td>docx</td></tr>
# </table>

据我所知，世界上的表格除了上面那种简单的，还有一些稍微复杂的。那就是带有合并单元格的表格。

比如下面这种：

这类表格的解析稍微复杂一些，它们属于复杂里面最简单的。

我们来看看他们的xml数据是如何定义的。

首先看带有跨行的表格的例子。

对于跨行的情况，我们发现表格的xml数据，该有的行和列，数量都没有变。只是在要合并的单元格上标记了一个<w:vMerge>标签。

这个标签表示有跨行的单元格。v表示vertical，是竖直方向的意思。vMerge表示竖直合并。这个标签里面还有属性值w:val，当值为restart时表示此单元格开始出现合并，continue表示此单元格没有结束，继续保持，直到遇到非continue情况。

再来看看跨列的情况。

跨列因为发生在行内，是行内矛盾，不影响其他行。所以，我们看到只有在第1行的第1格中，采用<w:gridSpan>标签，说明本行有跨列的单元格。val值是2，表示跨2个单位。

为什么我前面说，tc是table cell的缩写。我的依据就在这里。其实这个表格的结构是2行2列。如果c指的是column的话，它应该有2个<w:tc>，后一个复用前一个。但是，我们看上图里的结构，它只有一个<w:tc>。那我们称呼它叫单元格更贴切，因为它只有一个框。你可以反驳我，我会立马说，你说的对，但以后依然称呼它单元格。

带有合并单元格的页面还原，逻辑稍微复杂。但是底层还是和普通表格一样，通过循环行和列。你只需要遇到合并的时候，搞一个colspan=2或者rowspan=3就行。

此处，我不再给大家贴代码了。原理已经讲得很透彻了，算是留一个作业。你可以自己思考一下，会有更多的收获。

唉呀，还是给大家一个小提示吧，仅供参考。因为我搞合并单元格时，花费了2天时间才完成。我把一个关键点提供给大家：对于复杂表格，最终的数据结构用一维数组更恰当。这个结构可以像这样[{“x_start”:0, “x_end”:1, “y_start”:0, “y_end”:0, “content”:”不要问我”}]。

如果你看完了，2个小时还搞不定。那请您不要来问我，问我也是回复一个狗头表情。

四、其他妙用：藏初恋照片？

首先声明，这招我没用过啊。我只是论述它的可行性。

我的很多读者都结婚了，最差也有女朋友了，他们还都怕老婆。

但是，谁没有热血青春呢？

有人就想存着初恋照片，夜深人静的时候看一看。但是，又怕被现任发现。

怎么办？手机相册不安全！文件加密码或者修改后缀名属于不打自招。

那么，你千万不要放到docx中。它只不过是个压缩包。解压缩之后，加点文件进去，改回来还是正常的文档。看不出来有任何问题，经得起组织考验和检查。

我有这么个文档，很清白的一个文档。

解压缩之后，里面包含有图片，甚至pdf都有。

唉，程序员的思维境界就是这么的朴实无华又低级趣味。要是被销售员看到，他们该引发商业战了。

我是ITF男孩，带你从IT男角度看世界。文章未经允许，禁止转载。