寫 .NET 存取 Excel 檔對我已是家常便飯,基本上只要有 ClosedXML 就能搞定。但偶爾會遇到資料存在 Word 表格,在江湖行走,這點雜耍技巧多少要懂。

研究了一下,比想像簡單。MS Docs 有篇簡單扼要的範例,原理是先用 MainDocumentPart.Document.Body.Elements<Table> 取得 DocumentFormat.OpenXml.Wordprocessing.Table 物件,再由 Table.Elements<TableRow>() 取得列集合,接著 TableRow.Elements<TableCell>() 拿到欄集合,即可從中取出文字內容。

在網路上胡亂找了個書單 Word 檔當範例,打算從中取出三個表格裡的書名、作者跟出版社:

要解析 Word 檔,專案要先安裝 OpenXML SDK:

程式碼很簡單,照著 Table、TableRow、TableCell 一路巡下來,再用 InnerText 取出 TableCell XML 元素的純文字內容,搭配好用的 LINQ 語法,不到 50 行便輕鬆搞定:

using DocumentFormat.OpenXml.Packaging;
using DocumentFormat.OpenXml.Wordprocessing;
using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading.Tasks;

namespace DocxTableParserExample
{
    class Program
    {
        public class Book
        {
            public string Title { get; set; }
            public string Author { get; set; }
            public string Publisher { get; set; }

        }
        static void Main(string[] args)
        {
            //我的案例檔案以 byte[] 方式傳入,故此處採資料不落地寫法
            var content = File.ReadAllBytes("推薦書單.docx");
            using (var ms = new MemoryStream(content))
            {
                using (var wp = WordprocessingDocument.Open(ms, false))
                {
                    var doc = wp.MainDocumentPart.Document;
                    var tables = doc.Body.Elements<Table>().ToList();
                    Console.WriteLine($"表格數: {tables.Count}");
                    var list = new List<Book>();
                    foreach (var table in tables)
                    {
                        foreach (var tr in table.Elements<TableRow>().Skip(1))
                        {
                            var tds = tr.Elements<TableCell>().ToArray();
                            list.Add(new Book
                            {
                                Title = tds[0].InnerText,
                                Author = tds[1].InnerText,
                                Publisher = tds[2].InnerText
                            });
                        }
                    }
                    foreach (var book in list)
                    {
                        Console.SetCursorPosition(0, Console.CursorTop);
                        Console.Write(book.Title);
                        Console.SetCursorPosition(32, Console.CursorTop);
                        Console.Write(book.Author);
                        Console.SetCursorPosition(48, Console.CursorTop);
                        Console.WriteLine(book.Publisher);
                    }
                }
            }
            Console.ReadLine();

        }
    }
}

執行程式拿到結果,但有個小問題,部分書名或作者名夾雜奇怪數字,例如 「我 是什麼呢?」變成「-291465-48704500我 是什麼呢?」:

取出 TableCell XML 檢查,發現文件裡的插圖實際上被儲存在表格欄裡,再用文繞圖設定調整顯示位置,InnerText 出現的數字是座標參數 XML 節點的內容:

我寫了一個改良版,不直接取 InnerText,改由 Descendants<Text>() 篩選所有 Text 元素,再將其 InnerText 組合成字串,便可避開參雜非文字問題,成功!

static string ExtractText(DocumentFormat.OpenXml.OpenXmlCompositeElement element)
{
    return string.Join("", element.Descendants<Text>().Select(o => o.InnerText).ToArray());
}

static void Main(string[] args)
{
    //我的案例檔案以 byte[] 方式傳入,故此處採資料不落地寫法
    var content = File.ReadAllBytes("推薦書單.docx");
    using (var ms = new MemoryStream(content))
    {
        using (var wp = WordprocessingDocument.Open(ms, false))
        {
            //... 略 ...
                foreach (var tr in table.Elements<TableRow>().Skip(1))
                {
                    var tds = tr.Elements<TableCell>().ToArray();
                    list.Add(new Book
                    {
                        Title = ExtractText(tds[0]),
                        Author = ExtractText(tds[1]),
                        Publisher = ExtractText(tds[2])
                    });
                }
            //... 略 ...
        }
    }
    Console.ReadLine();
}

C# example to parse tables in Word docx file with OpenXML SDK.


Comments

Be the first to post a comment

Post a comment


78 - 41 =