一种通过xml文档对office文件解析的方法与流程

一种通过xml文档对office文件解析的方法
1.技术领域
2.本发明涉及语言解析技术领域，尤其涉及一种通过xml文档对office文件解析的方法。


背景技术：

3.目前市场对ms office文档进行解析，有两种技术：1、com解析：安装office办公软件，会在系统进行注册生成com 接口，然后开发人员对com接口进行调用，传参拿到文件的实例，对文档各个数据模块（如字体、字号、段落、图表、页眉、页脚等等）进行数据读取解析。缺点：a.由于很多office用户，安装绿色版或简化版office,com组建没有在系统注册，导致程序无法读取文档。 b.安装其它办公软件如wps，然后没有卸载干净，同样会导致com无法使用的问题。2、openxml 解析：openxml是微软在.net framework3.5中推出的开源项目，在无需安装office的情况下，也能够对office文档数据读取解析。缺点：a.目前openxml开发平台仅限于.net framework 3.5以上版本；b.开发语言只能为c#； c．.net framework框架有跨平台限制，不能通用于各个平台。
4.由于上述2种官方推出的解析方式，不能满足我们日常使用的各种场景以及各种平台调用，我们通过研究office文档结构发现，内部文件关系，以及文件类型均为xml文件，进一步测试、验证，得到可行性方案：即可以通过标准的xml文档对office文档进行解析，解决对.net framewrok的依赖，而且还适应于目前市场主流的开发语言（c、c++、c#、java、python、vb等各种语言和脚本）进行开发，主流的开发语言均支持读取解析标准的xml文件。
5.

技术实现要素：

6.本发明的目的是提供一种通过xml文档对office文件解析的方法，只需要了解office文档结构，可以对xml文件进行关联解析，读取相应的数据，对想要的数据，只需要加载必要的关联文件进行解析即可，降低了计算机计算和内存消耗，可以达到跨语言、跨平台等特性，方便目前对office文件的终端使用。
7.本发明的技术方案是这样实现的：一种通过xml文档对office文件解析的方法，包括以下步骤：a、将word文件名称为word.docx的扩展名修改为zip，word文件会变成压缩文件，并形成压缩文件名称word.zip；b、通过解压软件对word.zip文件进行解压，并形成多个标准的xml文件；c、按照标准的xml文件方式进行解析，读取文档里面所有的内容；d、根据文档结构，建立对应模型关系，建立对应的名称空间映射，加载公共部分属性，开始读取主文档，对需要提取的数据进行文档关联遍历解析，根据office文档属性存在于
多个文件中，每个文件都有对应的id和标识进行关联，得到至少一行数据文档、图形文档。
8.进一步的，将所读取的所述至少一行数据进行释放。
9.进一步的，将所述至少一行数据转换为节点树，对所述节点树上的节点依次进行解析，并获取所述xml文档的解析结果。
10.进一步的，遍历所述节点树上的所有节点，依次对各所述节点进行解析，获取所述xml文档的解析结果。
11.本发明的有益效果是：（1）只需要了解office文档结构，既可以对xml文件进行关联解析，读取相应的数据，对想要的数据，只需要加载必要的关联文件进行解析即可，降低了计算机计算和内存消耗，可以达到跨语言、跨平台等特性，方便目前对office文件的终端使用。
12.（2）根据文档结构，建立对应模型关系，建立对应的名称空间映射，加载公共部分属性，开始读取主文档，对需要提取的数据进行文档关联遍历解析，根据office文档属性存在于多个文件中，每个文件都有对应的id和标识进行关联，得到至少一行数据、图形，在xml文档中读取出标识对应的至少一行数据，并将这至少一行数据转换为节点树，对该节点树上的节点进行解析，获取解析结果，实现了只需要根据读取指令读取需要读取的行数据即可，而无需读取整个文档，大大降低了计算机内存的消耗，避免了内存溢出的现象；另外，只需要将读取的行数据转换为节点树进行解析，提高解析效率。
附图说明
13.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
14.图1为一种通过xml文档对office文件解析的方法的流程图。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
16.根据本发明的实施例，提供了一种通过xml文档对office文件解析的方法。
17.参照图1，根据本发明实施例的xml文档对office文件解析的方法，包括以下步骤a、将word文件名称为word.docx的扩展名修改为zip，word文件会变成压缩文件，并形成压缩文件名称word.zip；b、通过解压软件对word.zip文件进行解压，并形成多个标准的xml文件；c、按照标准的xml文件方式进行解析，读取文档里面所有的内容；d、根据文档结构，建立对应模型关系，建立对应的名称空间映射，加载公共部分属性，开始读取主文档，对需要提取的数据进行文档关联遍历解析，根据office文档属性存在于多个文件中，每个文件都有对应的id和标识进行关联，得到至少一行数据文档、图形文档。
18.在一个实施例中，将所读取的所述至少一行数据进行释放。
19.在一个实施例中，将所述至少一行数据转换为节点树，对所述节点树上的节点依
次进行解析，并获取所述xml文档的解析结果。
20.在一个实施例中，遍历所述节点树上的所有节点，依次对各所述节点进行解析，获取所述xml文档的解析结果。
21.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。