[发明专利]一种docx文件文本内容的提取方法及装置

说明书

本申请实施例公开了一种docx文件文本内容的提取方法及装置，具体为，首先获取dcox文件中的任一个存储有文本内容的XML文件，并触发SAX载入XML文件，提取XML文件中的文本元素，再根据所提取的文本元素获得该XML文件的文本内容。可见，本申请在解析XML文件，利用SAX方式解析XML文件，只需解析文本内容，无需解析文件其他内容，提高文本内容的提取速度。尤其，对于大容量的XML文件，由于SAX解析方式为加载一部分数据、解析一部分数据，处理一部分数据，避免一次性加载XML文件加载时间长的问题，提高大容量XML文件的解析速度。

技术领域

本申请涉及文件处理技术领域，具体涉及一种docx文件文本内容的提取方法及装置。

背景技术

由于Windows操作系统的广泛使用，Office支持的docx文件已成为一种广泛使用的编辑文件。在实际应用时，用户常常通过docx文件进行信息交互，这样不免会在docsx文件中携带敏感信息。为防止敏感信息泄露，防泄漏设备需要监控和审计docx文件中的敏感信息。而docx文件作为非结构化，且具有自定义格式的文件，需要先提取docx文件中的文本内容后才可审计是否存在敏感信息。

然而，现有技术在提取docx文件内容时，执行速度有待提高。

发明内容

有鉴于此，本申请实施例提供一种dcox文件文本内容的提取方法及装置，以实现更为高效地提取文本内容。

为解决上述问题，本申请实施例提供的技术方案如下：

在本申请实施例第一方面，提供了一种docx文件文本内容的提取方法，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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。

在一种可能的实现方式中，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：