前端玩Word：Word文档解析成浏览器认识的HTML

[CatsAndMice]

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文件转换成浏览器认识的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:

const mammoth = require("mammoth");

mammoth.convertToHtml({path: "path/to/document.docx"})
    .then(function(result){
        const html = result.value; // 转换的HTML
        const messages = result.messages; 
    })
    .catch(function(error) {
        console.error(error);
    });

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：

const  updateWord = {
	handleFileSelect(event) {
			const self = this
			this.readFileInputEventAsArrayBuffer(event, function (arrayBuffer) {
			    mammoth.convertToHtml({ arrayBuffer: arrayBuffer }, {
							//...
					})
			}
  },
	//文件转化成arrayBuffer数据类型
	readFileInputEventAsArrayBuffer(event, callback) {
      const file = event.target.files[0];
      const reader = new FileReader();
      reader.onload = function (loadEvent) {
          const arrayBuffer = loadEvent.target.result;
          callback(arrayBuffer);
      };
      reader.readAsArrayBuffer(file);
  }
}

//获取文件file后，传递给handleFileSelect函数
updateWord.handleFileSelect(file)

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：

const  updateWord = {
 //base64格式转blob
	base64ToBlob(base64, mimeType) {
        let bytes = window.atob(base64);
        let ab = new ArrayBuffer(bytes.length);
        let ia = new Uint8Array(ab);
        for (let i = 0; i < bytes.length; i++) {
            ia[i] = bytes.charCodeAt(i);
        }
        return new Blob([ia], { type: mimeType });
  },

	handleFileSelect(event,{success, fail}) {
			const self = this
			this.readFileInputEventAsArrayBuffer(event, function (arrayBuffer) {
			   mammoth.convertToHtml({ arrayBuffer: arrayBuffer }, {
                //处理图片
                convertImage: mammoth.images.imgElement(function (image) {
                    return image.read("base64").then(async (imageBuffer) => {
                        //base64转blob
                        const blob = self.base64ToBlob(imageBuffer, 'image/png')
                        blob.name = Date.now() + '.png'
                        const result = await new Promise((resolve, reject) => {
	                            //图片上传逻辑，可以自定义
															upImage({ file: blob }, {
                                resolve,
                                reject
                            })
                        })
                        const url = result.default
                        return {
                            src: url
                        }
                    });
                })
            }).then(success, fail);
			}
  },
//...
}

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

• Word、Excel 和 PowerPoint 的文件格式参考
• DOC跟DOCX有什么不同？

推荐阅读

• 盘点2023前端技术，谁才是当红炸子鸡
• 人人都能用的AI编程助手 CodeGeeX
• 三分钟搞懂Serverless，互联网个人创业者必备