//参数是word文件名,第二个参数是回调表示解析完成 var parser = function parseWordDocument(absoluteWordPath,callback){ //返回内容的数组 var resultList = []; //如果文件存在 fs.exists(absoluteWordPath, function(exists){ if(exists){ //解压缩 const zip = new admZip(absoluteWordPath); //将document.xml(解压缩后得到的文件)读取为text内容 var contentXml = zip.readAsText("word/document.xml"); //正则匹配出对应的<w:p>里面的内容,方法是先匹配<w:p>,再匹配里面的<w:t>,将匹配到的加起来即可 //注意？表示非贪婪模式(尽可能少匹配字符)，否则只能匹配到一个<w:p></w:p> var matchedWP = contentXml.match(/<w:p.*?>.*?<\/w:p>/gi); //继续匹配每个<w:p></w:p>里面的<w:t>,这里必须判断matchedWP存在否则报错 if(matchedWP){ matchedWP.forEach(function(wpItem){ //注意这里<w:t>的匹配，有可能是<w:t xml:space="preserve">这种格式，需要特殊处理 var matchedWT = wpItem.match(/(<w:t>.*?<\/w:t>)|(<w:t\s.[^>]*?>.*?<\/w:t>)/gi); var textContent = ''; if(matchedWT){ matchedWT.forEach(function(wtItem){ //如果不是<w:t xml:space="preserve">格式 if(wtItem.indexOf('xml:space')===-1){ textContent+=wtItem.slice(5,-6); }else{ textContent+=wtItem.slice(26,-6); } }); resultList.push(textContent) } }); //解析完成 callback(resultList) } }else{ callback(resultList) } }); };
注意一下如果段落前有空格，那么 <w:t> 的格式是不同的，如下，多了这个space描述，所以需要特殊处理
代码量其实很少，关键在于正则的编写，上述docx文档提取后的输出结果如下
最后我把这个工具写成了一个npm包，地址点这里