type
status
date
slug
summary
tags
category
icon
password
前言
领导跟富文本编辑器杠上啦，领导有一个类似于某雀导入Word文档，解析内容后渲染到编辑器编辑的需求。某雀功能效果如下：
怎么搞定呢？自己写一个解析器？
本文分享Word文件转成浏览器认识的HTML实战经验。
什么是Word文档
Word是微软公司开发的一个文字处理器应用程序，它是Office软件中的一个组件。使用Microsoft Office Word可创建和编辑信件、报告、网页或电子邮件中的文本和图形。相比于写字板和记事本功能更强大，性能更全面，可以插入图片、多媒体、艺术效果等
Word 支持的文件格式
列举一下Word常用的几种文件模式：
Word支持的文档格式蛮多，想了解的读者移步Word、Excel 和 PowerPoint 的文件格式参考。
docx、doc有什么区别
Word文档格式相信读者跟我一样见过最多的是docx、doc格式。
有了doc为啥又带出个docx？
网上流传一个故事：从某一时期开始微软办公文件名的小尾巴多了一个“x”。原来word、PowerPoint还有excel，后缀名分别是doc、ppt、xls。后来，就突然涌现出了docx、pptx、xlsx。
原来的doc格式是加密的，只有微软自己家的软件才能打开。
后来微软觉得，这样并没有让自己很神圣，反而限制了自己的发展。
比如，金山WPS也是搞办公软件的，它的发展很快，积累了很多用户。不少人开始用wps了，word的用户面临被瓜分。于是，微软就基于Office Open XML标准，把文档家族做了兼容。
因为新标准是采用的xml格式记录信息的，所以就在.doc后面加了个x。新标准之后，即便是微软创建的文档，WPS也能打开。这样，用户只关心文档就行，不用在意用哪个软件，这就实现了用户共享。
当然我不能验证是否是真的，听说而已。
简单总结两者区别：
- docx和doc相比文件体积更小，对复杂对象的处理也更好
- docx是为了替代doc：Microsoft Word 2007版本开始，docx已经替代了doc，doc也不再进行开发
- doc是二进制文件，docx是xml文件。docx扩展名可修改为zip、rar等压缩包格式，使用压缩软件打开，查看内部各类文件，实现批量替换图片等
Word文档转HTML实战
市面上实现该功能方案有两种：
- 前端把Word文档上传给后端，由后端来解析，然后在通过接口把解析的内容返回给前端
- 前端解析，直接把解析后的内容渲染出来或传递给后端
两种方案，说不上谁好谁坏，只有视业务场景来决定。
本文仅分享方案二的实现。想了解后端解析请移步Word转换HTML（Java实用版）。
怎么来解析
docx看起来是一个文件，其实是一个压缩包，它的文件结构是这样的：
位于word下的
document.xml文件docx的主文件。可以说，文档中你能看到的所有内容，在这里都有直接或者间接的记录。document.xml内容都被XML标签进行了包裹，把XML标签转化成HTML标签即达成Word转HTML的目的。前提是对XML标签熟悉，总不能瞎转吧！！！
不用担心，不熟悉也没关系，我们站在前人的肩膀上做这一步。
Mammoth是什么
Mammoth是一个专注于转换 .docx 文档的工具库，它能将Microsoft Word、Google Docs 和 LibreOffice 创建的文档转换成HTML，Mammoth会利用文档的XML语义信息，忽略其他细节，从而生成简单明了的 HTML。比如Mammoth会将任何带有标题 1 样式的段落转换为 h1 元素，但不会把标题的样式（字体、文字大小、颜色等）全部复制过去。
Mammoth支持以下功能：
- 标题
- 列表
- 标题
- 列表
- 可定制的 docx 样式到 HTML 的映射。例如，您可以通过提供适当的样式映射，将 WarningHeading 转换为 h1.warning
- 表格：表格格式（如边框）会被忽略
- 脚注和尾注
- 图片
- 粗体、斜体、下划线、删除线、上标和下标。
- 链接
- 换行
- 文本框：文本框的内容被视为一个单独的段落，出现在包含文本框的段落之后。
- 注释
Mammoth提供了支持将docx转换成Markdown、HTML、纯文本的方法。
Mammoth实战
Mammoth官方demo:
这是在Node.js环境中的案例，浏览器环境是无法通过
{path: "path/to/document.docx"}来读取到docx文件。如果是要在浏览器环境中执行它，需要docx文件转化为arrayBuffer数组再作为参数传递给
convertToHtml：Word文档也许存在图片，Mammoth默认会把图片转成base64格式，这样我们得到的HTML内容会特殊的大。正常情况我们肯定是想要把图片上传到我们自己的服务器，HTML内容保留图片链接即可。
Mammoth也提供了相应方法：
upImage是上传图片到我们自己服务器的逻辑，这个逻辑大家自定义发挥，只要最后把图片链接返回return {src: url},它会把base64替换掉。至此，完成Word文档转换HTML，又能摸鱼了。
更高级的摸鱼
平常的学习、工作中，经常性出现某个项目开发上线某个功能，另外一个项目也提出相同的功能需求。历史总是惊人的相似。
为了以后再遇到类似需求，我把docx文件转换HTML这段代码保存在CodeGist中，方便下次直接引用。
CodeGist是一款代码管理工具，详细介绍请移步【工具推荐】代码管理工具 CodeGist
参考资源
推荐阅读
Loading...
