我正在编写一个 .NET 应用程序，它应该读取一个 200 页长的 .docx 文件(通过 DocumentFormat.OpenXML 2.5)，以查找该文档应包含的某些标签的所有出现。 需要明确的是，我不是在寻找 OpenXML 标记，而是在寻找应该由文档编写者设置到文档中的标记，作为我需要在第二阶段填写的值的占位符。 此类标签应采用以下格式:

 <!TAG!>

(其中 TAG 可以是任意字符序列)。 正如我所说，我必须找到所有此类标签的出现以及(如果可能)定位找到标 checkout 现的“页面”。 我在网上发现了一些东西，但不止一次，基本方法是将文件的所有内容转储到一个字符串中，然后不管 .docx 编码如何查看该字符串。这要么导致误报，要么根本不匹配(而测试 .docx 文件包含多个标签)，其他示例可能有点超出我对 OpenXML 的了解。 查找此类标签的正则表达式模式应该是这样的:

<!(.)*?!>

标签可以在整个文档中找到(在表格、文本、段落，以及页眉和页脚内)。

我正在使用 Visual Studio 2013 .NET 4.5 进行编码，但如果需要，我可以返回。 附言我更喜欢不使用 Office Interop API 的代码，因为目标平台不会运行 Office。

我可以生成的最小的 .docx 示例将其存储在文档中

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<w:document xmlns:wpc="http://schemas.microsoft.com/office/word/2010/wordprocessingCanvas" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:m="http://schemas.openxmlformats.org/officeDocument/2006/math" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml" xmlns:w15="http://schemas.microsoft.com/office/word/2012/wordml" xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessingGroup" xmlns:wpi="http://schemas.microsoft.com/office/word/2010/wordprocessingInk" xmlns:wne="http://schemas.microsoft.com/office/word/2006/wordml" xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingShape" mc:Ignorable="w14 w15 wp14">
<w:body>
<w:p w:rsidR="00CA7780" w:rsidRDefault="00815E5D">
  <w:pPr>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
  </w:pPr>
  <w:r>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
    <w:t>TRY</w:t>
  </w:r>
</w:p>
<w:p w:rsidR="00815E5D" w:rsidRDefault="00815E5D">
  <w:pPr>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
  </w:pPr>
  <w:proofErr w:type="gramStart"/>
  <w:r>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
    <w:t>&lt;!TAG1</w:t>
  </w:r>
  <w:proofErr w:type="gramEnd"/>
  <w:r>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
    <w:t>!&gt;</w:t>
  </w:r>
</w:p>
<w:p w:rsidR="00815E5D" w:rsidRPr="00815E5D" w:rsidRDefault="00815E5D">
  <w:pPr>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
  </w:pPr>
  <w:r>
    <w:rPr>
      <w:lang w:val="en-GB"/>
    </w:rPr>
    <w:t>TRY2</w:t>
  </w:r>
  <w:bookmarkStart w:id="0" w:name="_GoBack"/>
  <w:bookmarkEnd w:id="0"/>
</w:p>
<w:sectPr w:rsidR="00815E5D" w:rsidRPr="00815E5D">
  <w:pgSz w:w="11906" w:h="16838"/>
  <w:pgMar w:top="1417" w:right="1134" w:bottom="1134" w:left="1134" w:header="708" w:footer="708" w:gutter="0"/>
  <w:cols w:space="708"/>
  <w:docGrid w:linePitch="360"/>
</w:sectPr>
</w:body>
</w:document>

最好的问候， 迈克

最佳答案

尝试查找标记的问题在于，单词在基础 XML 中的格式并不总是它们在 Word 中的格式。例如，在您的示例 XML 中， 标记被拆分为多个运行，如下所示:

<w:r>
    <w:rPr>
        <w:lang w:val="en-GB"/>
    </w:rPr>
    <w:t>&lt;!TAG1</w:t>
</w:r>
<w:proofErr w:type="gramEnd"/>
    <w:r>
    <w:rPr>
        <w:lang w:val="en-GB"/>
    </w:rPr>
    <w:t>!&gt;</w:t>
</w:r>

正如评论中所指出的，这有时是由拼写和语法检查器引起的，但这并不是全部原因。例如，标签的某些部分具有不同的样式也可能导致它。

处理这种情况的一种方法是找到 Paragraph 的 InnerText 并将其与您的 Regex 进行比较。 InnerText 属性将返回段落的纯文本，没有任何格式或基础文档中的其他 XML 妨碍。

一旦你有了标签，下一个问题就是替换文本。由于上述原因，您不能仅将 InnerText 替换为一些新文本，因为不清楚文本的哪些部分属于哪个 Run .解决此问题的最简单方法是删除任何现有的 Run 并添加一个新的 Run，其中包含新文本的 Text 属性。

以下代码显示了查找标签并立即替换它们，而不是像您在问题中建议的那样使用两次。老实说，这只是为了使示例更简单。它应该显示您需要的一切。

private static void ReplaceTags(string filename)
{
    Regex regex = new Regex("<!(.)*?!>", RegexOptions.Compiled);

    using (WordprocessingDocument wordDocument = WordprocessingDocument.Open(filename, true))
    {
        //grab the header parts and replace tags there
        foreach (HeaderPart headerPart in wordDocument.MainDocumentPart.HeaderParts)
        {
            ReplaceParagraphParts(headerPart.Header, regex);
        }
        //now do the document
        ReplaceParagraphParts(wordDocument.MainDocumentPart.Document, regex);
        //now replace the footer parts
        foreach (FooterPart footerPart in wordDocument.MainDocumentPart.FooterParts)
        {
            ReplaceParagraphParts(footerPart.Footer, regex);
        }
    }
}

private static void ReplaceParagraphParts(OpenXmlElement element, Regex regex)
{
    foreach (var paragraph in element.Descendants<Paragraph>())
    {
        Match match = regex.Match(paragraph.InnerText);
        if (match.Success)
        {
            //create a new run and set its value to the correct text
            //this must be done before the child runs are removed otherwise
            //paragraph.InnerText will be empty
            Run newRun = new Run();
            newRun.AppendChild(new Text(paragraph.InnerText.Replace(match.Value, "some new value")));
            //remove any child runs
            paragraph.RemoveAllChildren<Run>();
            //add the newly created run
            paragraph.AppendChild(newRun);
        }
    }
}

上述方法的一个缺点是您可能拥有的任何样式都将丢失。这些可以从现有的 Run 中复制，但如果有多个 Run 具有不同的属性，您需要确定哪些需要复制到哪里。如果需要，没有什么可以阻止您在上述代码中创建多个 Run，每个都具有不同的属性。其他元素也会丢失(例如任何符号)，因此也需要考虑这些元素。

关于c# - OpenXML 标记搜索，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/28697701/