docxを解剖してみる
突然の大量入稿、それも全部拡張子がdocxなファイル…思わず鼻水たらしちゃいそうなシチュエーションです。おまけに写真も貼り付いてるのはがしてねって言われると帰っちゃいたくなるのですがそうもいきません。
先日ワードドキュメントを間違えてエディタにドロップした時に、ばけばけの文字列の頭がPKで始まる事に気付き、ああ、こいつらってマイクロソフトの皮かぶったzipファイルだよなぁ〜って思い出したわけです。
そんなこんなで色々と見てみた次第です。
ではまずdocxファイルを展開します。ここは単純に拡張子を書き換えます。純粋なzipファイルですからこれだけでオK。
次にダブルクリックして解凍しましょう。展開後のディレクトリ構造は以下のようになります。画像等の配置が無い場合はmediaフォルダが存在しません。
_rels
[Content_Types].xml
docProps
word
_rels
document.xml
endnotes.xml
fontTable.xml
footnotes.xml
media
settings.xml
styles.xml
stylesWithEffects.xml
theme
webSettings.xml
重要な部分だけ見ます。単純にwordっていうフォルダを見ればOK。スタイル関連だとか色々存在しますがdocument.xmlっていうのがターゲット。更に、mediaって言うディレクトリの中には配置されたイメージがいらっしゃいます。しかしながらこいつらってリネームされていますので、取り出す時はちょいちょいってリネームしとかないと何を出してきたかわけが分かんなくなったりするので注意しましょう。
さて、文字列の方はxmlのchild辿って行くと良いのですが手っ取り早くテキストボックスやパラグラフ関連のタグ自体を探すと手っ取り早かったりします。以下に代表的なタグを列挙しておきましょう。
DocumentFormat.OpenXml.Wordprocessing.RunProperties <w:rPr>
DocumentFormat.OpenXml.Wordprocessing.Break <w:br>
DocumentFormat.OpenXml.Wordprocessing.Text <w:t>
DocumentFormat.OpenXml.Wordprocessing.DeletedText <w:delText>
DocumentFormat.OpenXml.Wordprocessing.FieldCode <w:instrText>
DocumentFormat.OpenXml.Wordprocessing.DeletedFieldCode <w:delInstrText>
DocumentFormat.OpenXml.Wordprocessing.NoBreakHyphen <w:noBreakHyphen>
DocumentFormat.OpenXml.Wordprocessing.SoftHyphen <w:softHyphen>
DocumentFormat.OpenXml.Wordprocessing.DayShort <w:dayShort>
DocumentFormat.OpenXml.Wordprocessing.MonthShort <w:monthShort>
DocumentFormat.OpenXml.Wordprocessing.YearShort <w:yearShort>
DocumentFormat.OpenXml.Wordprocessing.DayLong <w:dayLong>
DocumentFormat.OpenXml.Wordprocessing.MonthLong <w:monthLong>
DocumentFormat.OpenXml.Wordprocessing.YearLong <w:yearLong>
DocumentFormat.OpenXml.Wordprocessing.AnnotationReferenceMark <w:annotationRef>
DocumentFormat.OpenXml.Wordprocessing.FootnoteReferenceMark <w:footnoteRef>
DocumentFormat.OpenXml.Wordprocessing.EndnoteReferenceMark <w:endnoteRef>
DocumentFormat.OpenXml.Wordprocessing.SeparatorMark <w:separator>
DocumentFormat.OpenXml.Wordprocessing.ContinuationSeparatorMark <w:continuationSeparator>
DocumentFormat.OpenXml.Wordprocessing.SymbolChar <w:sym>
DocumentFormat.OpenXml.Wordprocessing.PageNumber <w:pgNum>
DocumentFormat.OpenXml.Wordprocessing.CarriageReturn <w:cr>
DocumentFormat.OpenXml.Wordprocessing.TabChar <w:tab>
DocumentFormat.OpenXml.Wordprocessing.EmbeddedObject <w:object>
DocumentFormat.OpenXml.Wordprocessing.Picture <w:pict>
DocumentFormat.OpenXml.Wordprocessing.FieldChar <w:fldChar>
DocumentFormat.OpenXml.Wordprocessing.Ruby <w:ruby>
DocumentFormat.OpenXml.Wordprocessing.FootnoteReference <w:footnoteReference>
DocumentFormat.OpenXml.Wordprocessing.EndnoteReference <w:endnoteReference>
DocumentFormat.OpenXml.Wordprocessing.CommentReference <w:commentReference>
DocumentFormat.OpenXml.Wordprocessing.Drawing <w:drawing>
DocumentFormat.OpenXml.Wordprocessing.PositionalTab <w:ptab>
DocumentFormat.OpenXml.Wordprocessing.LastRenderedPageBreak <w:lastRenderedPageBreak>
Text <m:t>
次にサンプル的なコードを
var txbx = /<v:textbox\s.*?>.+?<\/v:textbox>/g;
var nm = /[A-Z]+\s[A-Z][a-z]+/g;
var para = /<w:p.*?>.+?<\/w:p>/g;
var txt = /<w:t xml:space=”preserve”>(.+?)<\/w:t>|<w:t>(.+?)<\/w:t>/;
var f = File.openDialog(“Select target file.”);
f.open (“r”);
f.encoding =’UTF8′;
tx = f.read();
f.close();
var str = “”);
var st = “”;
var i,j;
var bxContents = tx.match (txbx);
for (i=0;i<bxContents.length;i++){
paras = bxContents[i].match(para);
if (paras==null) continue;
for (j=0;j<paras.length;j++){
str = paras[j].match(txt);
while (str!=null){
if (RegExp.$1==””) st += RegExp.$2;
else st += RegExp.$1;
str = RegExp.rightContext.match(txt);
}
if (j!=paras.length) st += “\r”;
}
}
alert(st);<bxcontents.length;i++){ paras="bxContents[i].match(para);" if="" (paras="=null)" continue;="" for="" (j="0;j<paras.length;j++){" str="paras[j].match(txt);" while="" (str!="null){" (regexp.$1="="")" st="" +="RegExp.$2;" else="" }="" (j!="paras.length)" ;="" alert(st);
複数のテキストボックスに文章がおさめられているドキュメントからテキストを抜き出します。
私がdocxを扱う場合、ご覧のように構造解析した上で必要な部分を正規表現で抜き出したりする場合が多いです。複雑な構造のドキュメントなんかxml辿る気にもならなかったりしますのでw
参考までに、単純な構成のドキュメントは下記の様な構造になります。
<?xml version=”1.0″ encoding=”UTF-8″ standalone=”yes”?>
<w:document
xmlns:wpc=”http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas”
xmlns:mc=”http://schemas.openxmlformats.org/markup-compatibility/2006″
xmlns:o=”urn:schemas-microsoft-com:office:office”
xmlns:r=”http://schemas.openxmlformats.org/officeDocument/2006/relationships”
xmlns:m=”http://schemas.openxmlformats.org/officeDocument/2006/math”
xmlns:v=”urn:schemas-microsoft-com:vml”
xmlns:wp14=”http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing”
xmlns:wp=”http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing”
xmlns:w10=”urn:schemas-microsoft-com:office:word”
xmlns:w=”http://schemas.openxmlformats.org/wordprocessingml/2006/main”
xmlns:w14=”http://schemas.microsoft.com/office/word/2010/wordml”
xmlns:wpg=”http://schemas.microsoft.com/office/word/2010/wordprocessingGroup”
xmlns:wpi=”http://schemas.microsoft.com/office/word/2010/wordprocessingInk”
xmlns:wne=”http://schemas.microsoft.com/office/word/2006/wordml”
xmlns:wps=”http://schemas.microsoft.com/office/word/2010/wordprocessingShape”
mc:Ignorable=”w14 wp14″>
<w:body>
<w:p w:rsidR=”00736A6C” w:rsidRDefault=”00CD0FDD”>
<w:r>
<w:rPr>
<w:rFonts w:hint=”eastAsia”/>
</w:rPr>
<w:t>test string</w:t>
</w:r>
<w:bookmarkStart w:id=”0″ w:name=”_GoBack”/>
<w:bookmarkEnd w:id=”0″/>
</w:p>
<w:sectPr w:rsidR=”00736A6C” w:rsidSect=”00736A6C”>
<w:pgSz w:w=”11906″ w:h=”16838″/>
<w:pgMar
w:top=”1985″
w:right=”1701″
w:bottom=”1701″
w:left=”1701″
w:header=”851″
w:footer=”992″
w:gutter=”0″/>
<w:cols w:space=”425″/>
<w:docGrid w:type=”lines” w:linePitch=”360″/>
</w:sectPr>
</w:body>
</w:document>
正確に抜き出したい方はOpenXMLフォーマットのリファレンスを読むと良いでしょう。かなりのボリュームですが。
