1. 背景

有時(shí)候，我們需要獲取一個(gè)Word格式文檔（docx）的頁(yè)數(shù)，甚至在某一頁(yè)做某些操作，如果我們使用COM+調(diào)用office或wps這些商用軟件，是相當(dāng)方便的，而使用aspose.word這些商業(yè)庫(kù)，也是短短幾行代碼的事情。然而，當(dāng)程序跑在某些特定的環(huán)境（例如沒(méi)有Office軟件的環(huán)境），或者我們資金有限而又有道德潔癖（不愿意使用盜版），獲取docx文件頁(yè)數(shù)，這種看似簡(jiǎn)單的問(wèn)題反而變得復(fù)雜，因?yàn)槲覀兂Ｓ玫拈_(kāi)源庫(kù)poi/npoi或OpenXML SDK等，并沒(méi)有提供這樣的操作。
本著“自己動(dòng)手，豐衣足食”的原則，那就自己手工寫代碼看看吧，順道把坑踩一遍。

2. docx是一個(gè)zip

既然是要自己寫代碼處理這種問(wèn)題，那么我們要回到問(wèn)題的本質(zhì)——word的docx文檔究竟是什么？.docx 文件本質(zhì)上就是一個(gè) ZIP壓縮包。我們將.docx 文件擴(kuò)展名改為.zip，然后使用解壓縮工具來(lái)打開(kāi)它。解壓后，你會(huì)發(fā)現(xiàn)其中包含許多XML文件和媒體文件（如下圖），它們共同構(gòu)成了Word文檔的內(nèi)容和格式。

可見(jiàn)，我們可以從這對(duì)xml文件著手，解決問(wèn)題，而Word的這種docx文檔有什么特點(diǎn)呢？我也請(qǐng)教了AI：

• 基于 Open XML 標(biāo)準(zhǔn)：.docx 格式是微軟Word（從2007版本開(kāi)始）所使用的基于Office Open XML標(biāo)準(zhǔn)的文件格式。
• 包含大量XML文件：與舊的二進(jìn)制格式的.doc文件不同，.docx 文件是一個(gè)包含多個(gè)XML文件的壓縮集合。
• 主要內(nèi)容：解壓后，核心的文本內(nèi)容通常保存在 word/document.xml 文件中，而文檔的樣式信息、媒體文件等則分別存儲(chǔ)在其他文件夾或文件中。
• 優(yōu)點(diǎn)：這種基于XML和壓縮的格式使得文件更小，并且允許更靈活地訪問(wèn)和編輯文檔的內(nèi)部結(jié)構(gòu)。

那么，我們的這個(gè)奇奇怪怪的獲取docx文檔頁(yè)數(shù)的方法，就從word/document.xml文件開(kāi)始了。

3. 使用C#代碼解壓docx文檔

解壓這樣的文檔，并不復(fù)雜，直接用ZipFile這樣的庫(kù)即可，示例代碼如下：

var docxFile = $@"{Environment.CurrentDirectory}{Path.DirectorySeparatorChar}test.docx";
var extractedPath = $@"{Environment.CurrentDirectory}{Path.DirectorySeparatorChar}extracted";
var xmlPath = $@"{extractedPath}{Path.DirectorySeparatorChar}word{Path.DirectorySeparatorChar}document.xml";

if (File.Exists(docxFile))
{
    System.IO.Compression.ZipFile.ExtractToDirectory(docxFile, extractedPath, true); // 最后一個(gè)參數(shù)為true，目錄已存在則覆蓋
    Console.WriteLine($"Extracted {docxFile} to {extractedPath}");
}
else
{
    Console.WriteLine($"File {docxFile} does not exist.");
}

解壓后的目錄如下：

4. 那個(gè)自稱document的XML

進(jìn)入解壓后的word目錄了，我們可以找到document.xml文件，敢自稱document，也肯定是有點(diǎn)東西的，打開(kāi)一看，確實(shí)名副其實(shí)：

可見(jiàn)一個(gè)word文檔的整體脈絡(luò)以及主要的行文，都在這里面了。當(dāng)然，文檔里的圖片等資源也是記錄在這里，例如對(duì)某個(gè)資源的引用<a:blip r:embed="rId7"/>等，當(dāng)然這還牽涉到media和document.xml.rels中的引用關(guān)系等等，有機(jī)會(huì)再細(xì)說(shuō)。那么，回到本次描述的“獲取文檔頁(yè)數(shù)”這個(gè)操作，就比較簡(jiǎn)單了，只要我們找到里面的<w:lastRenderedPageBreak/>元素，問(wèn)題就可以解決了。顧名思義，該元素是用于給word文檔分頁(yè)的，相當(dāng)于用它來(lái)“切香腸”，一刀分兩頁(yè)，兩刀分三頁(yè)，以此類推……

5. 查找并統(tǒng)計(jì)分頁(yè)標(biāo)簽

使用自帶的System.Xml庫(kù)，可以對(duì)xml文件進(jìn)行解析，查找并獲取<w:lastRenderedPageBreak/>，實(shí)現(xiàn)定位和統(tǒng)計(jì)等功能（本文就以統(tǒng)計(jì)為例）。

if (File.Exists(xmlPath))
{
    var xmlContent = File.ReadAllText(xmlPath);
    var xmlDoc = new System.Xml.XmlDocument();
    xmlDoc.LoadXml(xmlContent);

    var nsmgr = new System.Xml.XmlNamespaceManager(xmlDoc.NameTable);
    nsmgr.AddNamespace("w", "http://schemas.openxmlformats.org/wordprocessingml/2006/main");

    var nodes = xmlDoc.SelectNodes("http://w:lastRenderedPageBreak", nsmgr);
    var cnt = nodes?.Count ?? 0;

    Console.WriteLine($"使用XML解析的方式找到 <w:lastRenderedPageBreak /> 節(jié)點(diǎn)數(shù)量: {cnt}");
    Console.WriteLine($"該文檔共有 {cnt + 1} 頁(yè)");
}
else
{
    Console.WriteLine($"File {xmlPath} does not exist.");
}

以本文中的測(cè)試文檔為例，文檔共7頁(yè)，查找并計(jì)算出來(lái)的頁(yè)數(shù)也是7頁(yè)，結(jié)果與實(shí)際一致。

到此這篇關(guān)于C#獲取Word格式文檔頁(yè)數(shù)的方法的文章就介紹到這了,更多相關(guān)C#獲取Word文檔頁(yè)數(shù)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論