[发明专利]一种docx文件文本内容的提取方法及装置

权利要求书

1.一种docx文件文本内容的提取方法，其特征在于，所述方法包括：

获取XML文件；所述XML文件为docx文件中的任一个存储文本内容的文件；

触发SAX载入所述XML文件，提取所述XML文件中的文本元素；

根据所述文本元素获得所述XML文件的文本内容。

2.根据权利要求1所述的方法，其特征在于，所述触发SAX载入所述XML文件，提取所述XML文件中的文本元素，包括：

SAX载入所述XML文件中预设数量的数据，并对载入的数据进行处理后，再载入并处理预设数量的其它部分数据，直至处理完所述XML文件的全部数据。

3.根据权利要求2所述的方法，其特征在于，对载入的数据进行处理的流程，包括：

调用第一类预设函数提取所述XML文件中的文本元素。

4.根据权利要求3所述的方法，其特征在于，所述XML文件中包括每个文本元素的开始符和结束符；所述第一类预设函数包括：

文本元素开始符查找函数，用于查找所述文本元素的开始符；

文本元素结束符查找函数，用于查找所述文本元素的结束符；

字符提取函数，用于提取所述文本元素中的字符；

其中，所述调用第一类预设函数提取所述XML文件中的文本元素，包括：

调用所述文本元素开始符查找函数查找到一个文本元素的开始符，调用所述文本元素结束符查找函数查找所述开始符后的第一个结束符，并调用所述字符提取函数提取所述开始符与所述结束符之间的字符，并作为文本元素。

5.根据权利要求4所述的方法，其特征在于，所述XML文件还包括每个段落的开始符和结束符，所述第一类预设函数还包括段落开始符查找函数和段落结束符查找函数；

所述段落开始符查找函数，用于查找段落的开始符；

所述段落结束符查找函数，用于查找段落的结束符；

所述根据所述文本元素获得所述XML文件的文本内容，包括：

调用所述段落开始符查找函数查找一个段落的开始符，调用所述段落结束符查找函数查找到所述开始符后的第一个结束符，将所述开始符和所述结束符之间的各个文本元素进行拼接，获得当前段落的文本内容；

将各个段落的文本内容进行拼接，获得所述XML文本的文本内容。

6.根据权利要求1所述的方法，其特征在于，所述获取XML文件，包括：

获取所述docx文件，对所述docx文件进行解压，获得XML文件。

7.根据权利要求1所述的方法，其特征在于，所述XML文件为文档文件、注释文件、脚注文件、页脚文件、页眉文件中任一种；

所述docx文件还包括：关系文件；所述方法还包括：

根据所述关系文件确定各个XML文件被解析的顺序。

8.一种docx文件文本内容的提取装置，其特征在于，所述装置包括：

第一获取单元，用于获取XML文件；所述XML文件为docx文件中的任一个存储文本内容的文件；

提取单元，用于触发SAX载入所述XML文件，提取所述XML文件中的文本元素；

第二获取单元，用于根据所述文本元素获得所述XML文件的文本内容。

9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至7中任一项所述的docx文件文本内容的提取方法。

10.一种用于docx文件文本内容提取的设备，其特征在于，所述设备包括存储器和处理器，所述存储器用于存储一个或者一个以上的程序，所述处理器用于调用所述存储器中的程序，以执行权利要求1至7中任一项所述的docx文件文本内容的提取方法。