[发明专利]一种通过xml文档对office文件解析的方法

说明书

本发明公开了一种通过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。有益效果是：通过获取XML文档读取指令，该读取指令中包括至少一个待读取行标识，根据上述至少一个待读取行标识，在XML文档中读取出上述至少一个待读取行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。

技术领域

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

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。

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。

发明内容

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。

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。

进一步的，将所读取的所述至少一行数据进行释放。