解析WordprocessingML（三）解析WordMl的基本方法和途径（a）

一、Open Office开发资料

直接操作WordMl在实现复杂些的操作时，总有些不方便，因此就有了一个把wordML解析到类中的想法，顺便把word转换成Html。

WordMl从word2003开始就比较完善了，到06年十月形成了Open Office标准。word2007已经是符合此标准的格式了。

Word2007的WordprocessingML比03的增加了许多新标记，增加了组，重新定义了XSD，但是元素基本没有变化，完全兼容03。（我现在还没有在07中发现03没有的元素，唯一的一个是在07中没有找到wx名称空间）。

现在关于WordprocessingML的资料很少，多是写入门级别的例子，基本上只有官方的文档可以参考，文档可以在http://www.ecma-international.org/news/TC45_current_work/TC45-2006-50_final_draft.htm下载到。另外还有下面的几个很好的网站：

http://openxmldeveloper.org/

http://blogs.msdn.com/brian_jones/

http://blogs.msdn.com/microsoft_office_word/

现在网上能找到一个WarstarDev.Office2k7的Office Open XML C# 类库（未完成），它的目标是把Open Office解析到类中，但是我发现它对Open office 的解析是有许多错误的（下面会提到）。

开发WordML的必备工具：

最重要的就是一个好的xml编辑器，推荐XmlSpy。

其次WordXMLToolbox工具可以在2003下面使用，可以提供一些辅助，通过他还可以改进你对word的操作。

二、类库要实现的功能：

1、把WordMl解析到类

2、通过类生成、修改Word

3、把Word转换到Html格式

4、对word简单操作（替换、查找等）的封装

最终目标是不差于google office的word部分，支持word2003和2007。

三、解析WordMl的几种方式

1. 最简单的是用反射，WarstarDev.Office2k7就是采用这种方式。但是反射决定了这种方式的不足是性能和解析的灵活性。

2. 序列化，用它解析word是不现实的，因为它的灵活性还赶不上反射，每个类还要打上许多标记。这种方式可以用来当作其他方式的补充。

3. DOM、xpth，WordML本来就是xml格式的，Dom的结构决定了这种方式是最灵活的，也是功能最强大的一种，但是这种方式相较反射会复杂许多，也很耗费内存。

4. SAX，在.net中可以用xmlreader、xmlwriter，这种方式是1、3的折中方案。

5. 正则表达式，也是其他方式的补充。正则是逐字解析的，我怀疑它的效率可能还赶不是DOM，灵活性也差许多。

因此，如果只是把word转换到类中第一种方式是最简单的，是首选方式。但是这种方式在回写时回出现问题，因此WarstarDev.Office2k7采用了xmlWriter。如果综合考虑第三种是最合适的，DOM、xpath决定了这种方式不论是从wordml到类还是从类到wordml都是最方便的，也是最灵活的。

我在项目中采用的就是第三种方式，这种方式能够随机的解析word中的某个部分，也可也解析整个文档，但是这要求类的结构要考虑的特别周到，否则随着解析量的增加，组合方式的变化，整个项目结构会乱到不能继续下去的程度。我在这个项目中许多时间都花在了结构的调整和解析方式的选择上，如某个元素是自己负责自己的解析还是让父元素负责还是它的兄弟、子节点，选错了方式不但结构会变遭，工作量也会变大。

四、wordMl映射到类的方式

1、根据xml写类，在序列化时，这是最常用的方式。但是要解析的不是某个单一word文档，这决定不能采用这种方式。

2、用xsd.exe。word xsd的复杂性决定这种方式是很难的，再加上xsd生成的垃圾代码过多、它不会映射group等特点，这也是不可取的，如果用它类库就几乎废掉了。

3、自己根据xsd写类，这是最灵活的，也是这个项目的难题之一。

五、Group的映射方式：

ComplexType、SimpleType、Group可以映射到对应的类，前两种类型直接映射就可以了，但对于Grouop会有不同的处理方式。group在xml中主要用于元素重用，减少重复，在类中类似的功能可以用组合和继承实现，从类设计角度组合似乎更合适些，但是从WordMl角度考虑，继承是唯一选择，原因是如果用组合，类库的调用者不但要熟悉Open office 格式还必须了解word的xsd，从调用者考虑这样的设计也是不合适的。如果用继承可以对调用者隐藏掉组的存在，这也是xsd中组的本意。因为.net只支持单继承，这样就要求这些类都不能再有父类，继承自多个group的类型也要做些取舍，总之是一个权衡的过程。