快捷導(dǎo)航

c# 提取文檔信息的示例

更新時間：2021年02月25日 14:29:59 作者：HelloLLLLL

這篇文章主要介紹了c# 提取文檔信息的示例，幫助大家更好的理解和學(xué)習(xí)c#，感興趣的朋友可以了解下

事情時這樣，有用友u8的字典數(shù)據(jù)的幫助文檔一份，同事需要把里面的很多張表的字典信息給提取出來，然后構(gòu)成sql語句，插入數(shù)據(jù)庫。字典就是一張對表里的字段的一個說明，長這樣

同事一開始是手動復(fù)制到excel文檔在改的，他問我有沒有什么簡單的辦法，所以我就決定用代碼去實現(xiàn)，把表格、表名等一些有效數(shù)據(jù)構(gòu)成對象，有了一個對象就好寫sql了。

首先，我在百度上搜索，發(fā)現(xiàn)這個chm幫助文檔能被反編譯成html，經(jīng)過一番操作，使用windows自帶的工具 hh.exe 就可以實現(xiàn)幫助文檔的反編譯。運行cmd，直接輸入命令就行，具體命令是這樣：

hh -decompile d:\test\help help.chm

d:\test\help是反編譯后的目錄。

反編譯之后，就會得到具體的html文檔，和js、css,長這樣：

test目錄是我自己建的。

后面就是查看html源碼，分析出關(guān)鍵信息的xPath路徑該怎么寫，因為這里我用到了.net的一款工具專門對html操作的，叫做：HtmlAgilityPack，我的翻譯是：html敏捷開發(fā)包，寫xpath比寫正則來的容易，這個包能很好的操作html的節(jié)點，獲取html、innertext、屬性。

貼上我的關(guān)鍵方法：

public TableInfo GetTableInfo()
        {
            TableInfo tab = new TableInfo();
            HtmlDocument doc = new HtmlDocument();
            doc.Load(FullPathName, Encoding.GetEncoding("gb2312"), true);
            
            if (doc == null)
            {
                throw  new NullReferenceException(FullPathName + "\r\n沒有加載出文檔");
            }
            string pathGetTableName = "/html/head/title";
            string pathGetTableDesc = "/div/p";
            String pathGetTd = "/div/table/tr";
            var nodeTitle=doc.DocumentNode.SelectSingleNode(pathGetTableName);
            if (null != nodeTitle)
            {
                tab.TableName = nodeTitle.InnerText.Split(new char[1] { ' '})[0].Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
 
            }
 
            var nodeBody = doc.GetElementbyId("pagebody");
            var str = nodeBody.OuterHtml;
            var doc1 = new HtmlDocument();
            doc1.LoadHtml(str);
            var nodeDesc = doc1.DocumentNode.SelectSingleNode(pathGetTableDesc);
            if (null != nodeDesc)
            {
                tab.tableDescription = nodeDesc.InnerText.Split(new char[1] { ' ' })[0].Replace("\r","").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
 
            }
            
            var nodesTr = doc1.DocumentNode.SelectNodes(pathGetTd);
            if (nodesTr == null)
            {
                return tab;
            }
 
            List<TabFieldInfo> lists = new List<TabFieldInfo>();
 
            for (var i = 1; i < nodesTr.Count(); i++)
            {
                var childs = nodesTr[i].ChildNodes;
 
                if (childs == null)
                {
                    continue;
                }
                TabFieldInfo fi = new TabFieldInfo();
                if (childs.Count <= 5)
                {
                    continue;
                }
                fi.ColumnName = childs[1].ChildNodes[1].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.Description = childs[2].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.Datatype = childs[3].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.Length = childs[4].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
                fi.AllowNulls = childs[5].InnerText.Replace("\r", "").Replace("\n", "").Replace("\t", "").Replace("&", "").Replace("nbsp;", "");
 
                lists.Add(fi);
            }
            tab.fields = lists;
 
            return tab;
        }

這里還出現(xiàn)一個問題，“指定的路徑不合法”,原因是，我直接點擊文件右鍵-》屬性-》安全把那里的文件路經(jīng)復(fù)制到代碼上去了，其實這樣復(fù)制，會造成路徑字符串最開始的地方有個特殊字符，在vs里是隱藏的，后來我就復(fù)制地址欄上的路徑，就沒問題了。

最后，需要完善的是，通過讀取目錄，把目錄中的所有html結(jié)尾的文件遍歷，并過濾出需要的表，在構(gòu)建對象。

以上就是c# 提取文檔信息的示例的詳細內(nèi)容，更多關(guān)于c# 提取文檔信息的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: