[发明专利]一种对docx格式文档进行结构化解析方法及系统

说明书

本发明公开了一种对docx格式文档进行结构化解析方法及系统，该方法包括将被改成ZIP后缀的文件进行解压；提取解压文件中的document.xml文件；对document.xml文件进行段落内容解析，得到段落文本内容；对document.xml文件进行表格解析；对document.xml文件进行图片解析；将段落文本内容、表格内容和图片按照在所述document.xml文件出现的顺序排版，得到完整docx格式文档。本发明能够根据XML格式文件即可解析成完整准确的docx格式文档。

技术领域

本发明涉及文档解析技术领域，特别是涉及一种对docx格式文档进行结构化解析方法及系统。

背景技术

docx格式的文档是Microsoft Office2007版本之后使用的文档格式，用新的基于XML的压缩文件格式取代了其目前专有的默认文件格式，在传统的文件名扩展名后面添加了字母“x”(即“.docx”取代“.doc”、“.xlsx”取代“.xls”、“.pptx”取代“.ppt”)。

docx格式文件的主要内容是保存为XML格式的，但文件并非直接保存于磁盘。它是保存在一个ZIP文件中，然后取扩展名为docx。而在现有技术中并没有能够解析还原该docx格式文件相关技术方案，也就不能准确的得到完整的docx格式文件，因此，对docx格式文档进行完整解析成为本领域亟待解决的问题。

发明内容

本发明的目的是提供一种对docx格式文档进行结构化解析方法及系统，以能够根据XML格式文件即可解析成完整准确的docx格式文档。

为实现上述目的，本发明提供了一种对docx格式文档进行结构化解析方法，所述方法包括：

将被改成ZIP后缀的文件进行解压，得到解压文件；

提取所述解压文件中的document.xml文件；

对所述document.xml文件进行段落内容解析，得到段落文本内容；

和/或对所述document.xml文件进行表格解析，得到表格内容；

和/或对所述document.xml文件进行图片解析，得到图片；

将所述段落文本内容、所述表格内容和所述图片按照在所述document.xml文件出现的顺序排版，得到完整docx格式文档。

可选的，所述将被改成ZIP后缀的文件进行解压，得到解压文件，具体包括：

将扩展名为docx的文件改成ZIP后缀，得到被改成ZIP后缀的文件；

利用解压软件对被改成ZIP后缀的文件进行解压，得到解压文件。

可选的，所述提取所述解压文件中的document.xml文件具体包括：

获取所述解压文件中word文件夹；

打开所述word文件夹找到document.xml文件；

提取所述word文件夹中的Media文件存储的图片。

可选的，所述对document.xml文件进行段落内容解析，得到段落文本内容，具体包括：

利用正则表达式提取所述document.xml文件所有w:p的内容；

利用正则表达式在每一w:p的内容中提取所有w:t的内容；

将所述所有w:t的内容按照在所述document.xml文件出现的顺序拼接，得到段落文本内容。

可选的，所述对所述document.xml文件进行表格解析，得到表格内容，具体包括：