前言

欢迎加入开源鸿蒙跨平台社区：https://openharmonycrossplatform.csdn.net

用正则表达式解析 XML——听起来像是"反模式"，但在 doc_text 的场景下，这其实是一个非常务实的选择。我们只需要提取 <w:t> 标签中的文本，不需要构建完整的 DOM 树。30 行代码就搞定了，比引入一个 XML 解析库划算得多。

一、parseDocxXml 完整代码

1.1 源码

private parseDocxXml(xmlData: ArrayBuffer): string {
  let result = "";
  const decoder = new util.TextDecoder("utf-8");
  const xmlString = decoder.decodeWithStream(new Uint8Array(xmlData));
  
  // 简单的 XML 文本提取
  // 提取 <w:t> 标签中的内容
  const textRegex = /<w:t[^>]*>([^<]*)<\/w:t>/g;
  const paraRegex = /<\/w:p>/g;
  
  let match: RegExpExecArray | null;
  let lastIndex = 0;
  
  while ((match = textRegex.exec(xmlString)) !== null) {
    // 检查是否有段落结束
    const substring = xmlString.substring(lastIndex, match.index);
    const paraMatches = substring.match(paraRegex);
    if (paraMatches) {
      result += "\n".repeat(paraMatches.length);
    }
    result += match[1];
    lastIndex = match.index + match[0].length;
  }
  
  return this.cleanText(result);
}

1.2 执行步骤

二、textRegex 正则逐字拆解

2.1 正则表达式

const textRegex = /<w:t[^>]*>([^<]*)<\/w:t>/g;

2.2 逐部分解析

部分	含义	匹配示例
<w:t	匹配开始标签的前缀	<w:t
[^>]*	匹配标签中的任意属性	xml:space="preserve"
>	标签结束	>
([^<]*)	捕获组：标签内的文本	Hello World
<\/w:t>	匹配结束标签	</w:t>
/g	全局匹配	匹配所有出现

2.3 匹配示例

<!-- 输入 -->
<w:t>Hello</w:t>
<w:t xml:space="preserve"> World</w:t>

<!-- 匹配结果 -->
match[0] = '<w:t>Hello</w:t>'           match[1] = 'Hello'
match[0] = '<w:t xml:space="preserve"> World</w:t>'  match[1] = ' World'

2.4 [^>]* 的作用

<!-- 没有属性 -->
<w:t>文本</w:t>
<!-- [^>]* 匹配空字符串 -->

<!-- 有属性 -->
<w:t xml:space="preserve">文本</w:t>
<!-- [^>]* 匹配 ' xml:space="preserve"' -->

xml:space="preserve" 是 Word 用来保留空格的属性。如果不加 [^>]*，带属性的 <w:t> 标签就匹配不到了。

💡 [^>]* 是处理 XML 标签属性的常用技巧——匹配除 > 之外的任意字符，直到遇到 >。这样无论标签有没有属性、有几个属性，都能正确匹配。

三、paraRegex 段落检测

3.1 正则表达式

const paraRegex = /<\/w:p>/g;

3.2 段落检测逻辑

while ((match = textRegex.exec(xmlString)) !== null) {
  // 取上一次匹配位置到这次匹配位置之间的字符串
  const substring = xmlString.substring(lastIndex, match.index);
  
  // 检查这段字符串中有几个 </w:p>
  const paraMatches = substring.match(paraRegex);
  if (paraMatches) {
    result += "\n".repeat(paraMatches.length);
  }
  
  result += match[1];
  lastIndex = match.index + match[0].length;
}

3.3 工作原理

<w:p><w:r><w:t>第一段</w:t></w:r></w:p>
<w:p><w:r><w:t>第二段</w:t></w:r></w:p>

第一次匹配：match[1] = "第一段"，lastIndex 更新
第二次匹配：match[1] = "第二段"
  → substring = "</w:r></w:p>\n<w:p><w:r>"
  → paraMatches = ["</w:p>"]（找到 1 个段落结束）
  → result += "\n"（插入换行）
  → result += "第二段"

最终结果："第一段\n第二段"

3.4 多个连续空段落

<w:p></w:p>
<w:p></w:p>
<w:p><w:r><w:t>文本</w:t></w:r></w:p>

匹配 "文本" 时：
substring 中有 2 个 </w:p>
→ result += "\n\n"
→ result += "文本"

最终结果："\n\n文本"
（cleanText 会过滤掉开头的空行）

四、lastIndex 追踪机制

4.1 变量作用

let lastIndex = 0;

while ((match = textRegex.exec(xmlString)) !== null) {
  const substring = xmlString.substring(lastIndex, match.index);
  // ...
  lastIndex = match.index + match[0].length;
}

4.2 追踪过程

XML: "<w:p><w:r><w:t>A</w:t></w:r></w:p><w:p><w:r><w:t>B</w:t></w:r></w:p>"
      0         1         2         3         4         5         6

初始：lastIndex = 0

第一次匹配：
  match.index = 10（<w:t>A</w:t> 的起始位置）
  substring = xmlString.substring(0, 10) = "<w:p><w:r>"
  paraMatches = null（没有 </w:p>）
  result = "A"
  lastIndex = 10 + 16 = 26（"<w:t>A</w:t>" 的长度）

第二次匹配：
  match.index = 46（<w:t>B</w:t> 的起始位置）
  substring = xmlString.substring(26, 46) = "</w:r></w:p><w:p><w:r>"
  paraMatches = ["</w:p>"]（找到 1 个）
  result = "A\nB"
  lastIndex = 46 + 16 = 62

📌 lastIndex 的核心作用是避免重复检查。每次只检查上一次匹配结束到这次匹配开始之间的区域，确保每个 </w:p> 只被计算一次。

五、为什么用正则而不用 XML 解析器

5.1 OpenHarmony 的 XML 支持

import xml from '@ohos.xml';

// @ohos.xml 提供了 XmlPullParser
// 但它是 SAX 风格的流式解析器
// 对 OOXML 的命名空间处理不够友好

5.2 方案对比

方案	代码量	依赖	准确性	性能
正则提取	~30 行	无	中	高
@ohos.xml	~100 行	系统 API	高	中
第三方 XML 库	~20 行	外部依赖	高	中
手写 SAX 解析	~200 行	无	高	高

5.3 正则方案的合理性

doc_text 只需要：
1. 提取 <w:t> 标签中的文本 ✅ 正则可以做到
2. 检测段落边界 </w:p> ✅ 正则可以做到

doc_text 不需要：
1. 解析 XML 属性 ❌
2. 处理命名空间 ❌
3. 构建 DOM 树 ❌
4. 遍历节点关系 ❌

💡 "用正则解析 XML 是反模式"这个说法是对的——如果你需要完整解析 XML 的话。但如果你只需要提取特定标签的文本内容，正则是最简单高效的方案。

六、正则方案的局限性

6.1 嵌套标签

<!-- 正常情况：<w:t> 不会嵌套 -->
<w:t>Hello</w:t>

<!-- 如果出现嵌套（理论上不会）-->
<w:t>Hello <w:t>World</w:t></w:t>
<!-- 正则会匹配到 "Hello " 和 "World"，但可能丢失结构 -->

实际上 OOXML 规范中 <w:t> 不会嵌套，所以这不是问题。

6.2 CDATA 和转义字符

<!-- XML 转义字符 -->
<w:t>A &amp; B</w:t>
<!-- 正则匹配到 "A &amp; B"，不会自动转义为 "A & B" -->

<!-- 常见的 XML 转义 -->

转义	含义	正则是否处理
&	&	❌ 不处理
&lt;	<	❌ 不处理
&gt;	>	❌ 不处理
&quot;	"	❌ 不处理
&apos;	’	❌ 不处理

6.3 表格内容

<w:tbl>
  <w:tr>
    <w:tc>
      <w:p><w:r><w:t>单元格1</w:t></w:r></w:p>
    </w:tc>
    <w:tc>
      <w:p><w:r><w:t>单元格2</w:t></w:r></w:p>
    </w:tc>
  </w:tr>
</w:tbl>

表格中的文本仍然在 <w:t> 标签里，所以正则可以提取到。但表格的结构信息（行、列）会丢失——所有单元格的文本会被拼成一行。

6.4 页眉页脚

.docx 中的页眉页脚在单独的文件中：
word/header1.xml
word/footer1.xml

当前实现只读取 word/document.xml
→ 页眉页脚的文本不会被提取

七、exec 的全局匹配机制

7.1 exec 与 /g 标志

const textRegex = /<w:t[^>]*>([^<]*)<\/w:t>/g;

let match: RegExpExecArray | null;
while ((match = textRegex.exec(xmlString)) !== null) {
  // 每次调用 exec 返回下一个匹配
  // textRegex.lastIndex 自动前进
}

7.2 exec 返回值

match = textRegex.exec('<w:t>Hello</w:t> <w:t>World</w:t>');

// 第一次调用：
match[0] = '<w:t>Hello</w:t>'  // 完整匹配
match[1] = 'Hello'              // 捕获组
match.index = 0                 // 匹配位置

// 第二次调用：
match[0] = '<w:t>World</w:t>'
match[1] = 'World'
match.index = 17

// 第三次调用：
match = null  // 没有更多匹配

7.3 为什么用 exec 而不是 matchAll

// 方案1：exec 循环（当前实现）
while ((match = textRegex.exec(xmlString)) !== null) {
  // 可以在循环中访问 match.index
}

// 方案2：matchAll（更现代）
for (const match of xmlString.matchAll(textRegex)) {
  // 同样可以访问 match.index
}

两种方式功能等价。exec 是更传统的写法，matchAll 是 ES2020 的新 API。doc_text 用 exec 可能是为了更好的兼容性。

八、cleanText 的后处理

8.1 调用

return this.cleanText(result);

parseDocxXml 返回的原始文本可能包含多余的换行、空行等，cleanText 负责清理。具体的清洗逻辑在第 17 篇详细讲。

8.2 清洗前后对比

清洗前：
"\n\n第一段\n\n\n第二段\n  \n第三段\n"

清洗后：
"第一段\n第二段\n第三段"

总结

parseDocxXml 用 30 行代码实现了 .docx 文本提取：

1. TextDecoder：ArrayBuffer → UTF-8 字符串
2. textRegex：/<w:t[^>]*>([^<]*)<\/w:t>/g 提取文本
3. paraRegex：/<\/w:p>/g 检测段落边界
4. lastIndex 追踪：避免重复检查段落标记
5. 局限性：不处理 XML 转义、不保留表格结构、不读页眉页脚

下一篇我们进入 .doc 解析的世界——OLE2 复合文档格式深度解析。

如果这篇文章对你有帮助，欢迎点赞👍、收藏⭐、关注🔔，你的支持是我持续创作的动力！

---

相关资源：

• OOXML w:t 标签规范
• JavaScript RegExp.exec
• 正则表达式与 XML
• doc_text Gitcode 仓库
• @ohos.util TextDecoder
• String.matchAll MDN
• OOXML 命名空间
• 开源鸿蒙跨平台社区