使用golang解析.doc和.docx以获取所有文本？

Question

如何使用golang解析word文档“.doc”，“.docx”以获取所有文本？

Answer 1

您可以从这些项目中获得一些灵感：

https://github.com/nguyenthenguyen/docx
https://github.com/opencontrol/doc-template

基本上，DOCX 是一个包含 XML 的 Zip 文件。 所有文字都在里面

document.xml

这两个项目所做的都是删除所有 XML 标签，只保留完整的文本。您应该看看这种方法是否也适合您。

Answer 2

TL；博士

1. 使用任何 Go zip 包解压

   docx

   文件
2. 解析来自

   ‌word/document.xml

的文本
3. 如果

   docx

   文件夹中还有任何其他

   word/

   文件，请递归地对每个文件重复 1 和 2 步骤

---

在大多数情况下……

正如已经提到的，

docx

文件基本上是一个

zip

存档，里面有一堆u200c

xml

文件。

在大多数情况下原始文件中的所有文本都存在于u200cu200cu200c

word/document.xml

中。您可以使用 Go 的标准

xml

包来解析其中的文本。如果您需要有关不同标签类型的信息，还可以查看 OpenXML 文档。

更新。您可以使用此代码顺便说一句。

但是……

但不幸的是，在某些情况下该文件中并不存在所有文本。

例如，如果文档有另一个嵌入的

docx

文件（或任何其他格式），它很可能作为单独的文件出现在

word

文件夹（

document.xml

旁边）中。

如果是这种情况，您需要解压每个

docx

并解析它们自己的

document.xml

。

有关更多详细信息，您可以查看

AltChunk

OpenXML 类以及任何其他相关信息。

Answer 3

一个非常简单的解决方案是使用 https://github.com/sajari/docconv。

示例代码：

f, err := os.Open("path.docx")
if err != nil {
    panic(err)
}
defer f.Close()

var r io.Reader
r = f

tmpl, _, err := docconv.ConvertDocx(r)
if err != nil {
    return
}

这会将 docx 作为字符串输出返回。