c# - Búsqueda de etiqueta OpenXML

.net ms-word

Question

Estoy escribiendo una aplicación .NET que debería leer un archivo .docx cerca de 200 páginas (a través de DocumentFormat.OpenXML 2.5) para encontrar todas las ocurrencias de ciertas etiquetas que el documento debe contener. Para que quede claro, no estoy buscando etiquetas OpenXML, sino etiquetas que el escritor del documento debe establecer en el documento como marcador de posición para los valores que necesito completar en una segunda etapa. Dichas etiquetas deben estar en el siguiente formato:

 <!TAG!>

(donde TAG puede ser una secuencia arbitraria de caracteres). Como dije, tengo que encontrar todas las ocurrencias de tales etiquetas más (si es posible) ubicar la ''página'' donde se ha encontrado la ocurrencia de la etiqueta. Encontré algo mirando en la web, pero más de una vez el enfoque base era volcar todo el contenido del archivo en una cadena y luego mirar dentro de dicha cadena independientemente de la codificación .docx. Esto causó falsos positivos o ninguna coincidencia (aunque el archivo .docx de prueba contiene varias etiquetas), otros ejemplos probablemente superaron un poco mi conocimiento de OpenXML. El patrón de expresiones regulares para encontrar tales etiquetas debería ser algo de este tipo:

<!(.)*?!>

La etiqueta se puede encontrar en todo el documento (dentro de la tabla, texto, párrafo, como también encabezado y pie de página).

Estoy codificando en Visual Studio 2013 .NET 4.5 pero puedo volver si es necesario. PD: Preferiría el código sin el uso de Office Interop API ya que la plataforma de destino no ejecutará Office.

El ejemplo más pequeño de .docx que puedo producir almacena este documento interno

<?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>

Saludos cordiales, Mike

Answer 1

El problema al tratar de encontrar etiquetas es que las palabras no siempre están en el XML subyacente en el formato que parecen estar en Word. Por ejemplo, en su XML de muestra, la etiqueta <!TAG1!> Se divide en varias ejecuciones como esta:

<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>

Como se señaló en los comentarios, esto a veces es causado por el corrector ortográfico y gramatical, pero eso no es todo lo que puede causarlo. Tener diferentes estilos en partes de la etiqueta también podría causarlo, por ejemplo.

Una forma de manejar esto es encontrar el Regex de un Paragraph y compararlo con su Regex . La propiedad InnerText devolverá el texto sin formato del párrafo sin ningún formato u otro XML dentro del documento subyacente que se interponga en el camino.

Una vez que tenga sus etiquetas, reemplazar el texto es el siguiente problema. Debido a las razones anteriores, no puede reemplazar el InnerText con un texto nuevo, ya que no quedaría claro qué partes del texto pertenecerían a qué Run . La forma más fácil de evitar esto es eliminar cualquier Run existente y agregar una nueva Run con una propiedad de Text contenga el nuevo texto.

El siguiente código muestra cómo encontrar las etiquetas y reemplazarlas inmediatamente en lugar de usar dos pases como sugiere en su pregunta. Esto fue solo para hacer el ejemplo más simple para ser honesto. Debería mostrar todo lo que necesitas.

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);
}
}
}

El único inconveniente con el enfoque anterior es que cualquier estilo que haya tenido se perderá. Estos podrían copiarse de las Run existentes, pero si hay varias Run con diferentes propiedades, tendrá que averiguar en cuáles debe copiar y dónde. No hay nada que le impida crear múltiples Run en el código anterior, cada una con diferentes propiedades si eso es lo que se requiere.

Answer 2

No estoy seguro de si el SDK es mejor, pero esto funciona y produce un diccionario que contiene el nombre de la etiqueta y un elemento en el que podría establecer el nuevo valor:

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Text.RegularExpressions;
using System.Threading.Tasks;
using System.Xml.Linq;
namespace ConsoleApplication8
{
class Program
{
static void Main(string[] args)
{
Dictionary<string, XElement> lookupTable = new Dictionary<string, XElement>();
Regex reg = new Regex(@"/</!(?<TagName>.*)/!/>");
XDocument doc = XDocument.Load("document.xml");
XNamespace ns = doc.Root.GetNamespaceOfPrefix("w");
IEnumerable<XElement> elements = doc.Root.Descendants(ns + "t").Where(x=> x.Value.StartsWith("<!")).ToArray();
foreach (var item in elements)
{
#region remove the grammar tag
//before
XElement grammar = item.Parent.PreviousNode as XElement;
grammar.Remove();
//after
grammar = item.Parent.NextNode as XElement;
grammar.Remove();
#endregion
#region merge the two nodes and insert the name and the XElement to the dictionary
XElement next = (item.Parent.NextNode as XElement).Element(ns + "t");
string totalTagName = string.Format("{0}{1}", item.Value, next.Value);
item.Parent.NextNode.Remove();
item.Value = totalTagName;
lookupTable.Add(reg.Match(totalTagName).Groups["TagName"].Value, item);
#endregion
}
foreach (var item in lookupTable)
{
Console.WriteLine("The document contains a tag {0}" , item.Key);
Console.WriteLine(item.Value.ToString());
}
}
}
}

Editar:

Un ejemplo más completo de la posible estructura que puede hacer:

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Xml.Linq;
using System.IO.Compression; //you will have to add a reference to System.IO.Compression.FileSystem(.dll)
using System.IO;
using System.Text.RegularExpressions;
namespace ConsoleApplication28
{
public class MyWordDocument
{
#region fields
private string fileName;
private XDocument document;
//todo: create fields for all document xml files that can contain the placeholders
private Dictionary<string, List<XElement>> lookUpTable;
#endregion
#region properties
public IEnumerable<string> Tags { get { return lookUpTable.Keys; } }
#endregion
#region construction
public MyWordDocument(string fileName)
{
this.fileName = fileName;
ExtractDocument();
CreateLookUp();
}
#endregion
#region methods
public void ReplaceTagWithValue(string tagName, string value)
{
foreach (var item in lookUpTable[tagName])
{
item.Value = item.Value.Replace(string.Format(@"<!{0}!>", tagName),value);
}
}
public void Save(string fileName)
{
document.Save(@"temp/word/document.xml");
//todo: save other parts of document here i.e. footer header or other stuff
ZipFile.CreateFromDirectory("temp", fileName);
}
private void CreateLookUp()
{
//todo: make this work for all cases and for all files that can contain the placeholders
//tip: open the raw document in word and replace the tags,
// save the file to different location and extract the xmlfiles of both versions and compare to see what you have to do
lookUpTable = new Dictionary<string, List<XElement>>();
Regex reg = new Regex(@"/</!(?<TagName>.*)/!/>");
document = XDocument.Load(@"temp/word/document.xml");
XNamespace ns = document.Root.GetNamespaceOfPrefix("w");
IEnumerable<XElement> elements = document.Root.Descendants(ns + "t").Where(NodeGotSplitUpIn2PartsDueToGrammarCheck).ToArray();
foreach (var item in elements)
{
XElement grammar = item.Parent.PreviousNode as XElement;
grammar.Remove();
grammar = item.Parent.NextNode as XElement;
grammar.Remove();
XElement next = (item.Parent.NextNode as XElement).Element(ns + "t");
string totalTagName = string.Format("{0}{1}", item.Value, next.Value);
item.Parent.NextNode.Remove();
item.Value = totalTagName;
string tagName = reg.Match(totalTagName).Groups["TagName"].Value;
if (lookUpTable.ContainsKey(tagName))
{
lookUpTable[tagName].Add(item);
}
else
{
lookUpTable.Add(tagName, new List<XElement> { item });
}
}
}
private bool NodeGotSplitUpIn2PartsDueToGrammarCheck(XElement node)
{
XNamespace ns = node.Document.Root.GetNamespaceOfPrefix("w");
return node.Value.StartsWith("<!") && ((XElement)node.Parent.PreviousNode).Name == ns + "proofErr";
}
private void ExtractDocument()
{
if (!Directory.Exists("temp"))
{
Directory.CreateDirectory("temp");
}
else
{
Directory.Delete("temp",true);
Directory.CreateDirectory("temp");
}
ZipFile.ExtractToDirectory(fileName, "temp");
}
#endregion
}
}

y úsalo así:

class Program
{
static void Main(string[] args)
{
MyWordDocument doc = new MyWordDocument("somedoc.docx"); //todo: fix path
foreach (string name in doc.Tags) //name would be the extracted name from the placeholder
{
doc.ReplaceTagWithValue(name, "Example");
}
doc.Save("output.docx"); //todo: fix path
}
}

Answer 3

Tengo la misma necesidad que usted con la excepción de que quiero usar entradas de ${...} lugar de <!...!> . Puede personalizar el siguiente código para usar sus etiquetas, pero requeriría más estados.

El siguiente código funciona para los nodos xml y openxml. Probé el código usando xml, porque cuando se trata de documentos de Word es difícil controlar cómo Word organiza los párrafos, las corridas y los elementos de texto. Supongo que no es imposible, pero de esta manera tengo más control:

static void Main(string[] args)
{
//FillInValues(FileName("test01.docx"), FileName("test01_out.docx"));
string[,] tests =
{
{ "<r><t>${abc</t><t>}$</t><t>{tha}</t></r>", "<r><t>ABC</t><t>THA</t><t></t></r>"},
{ "<r><t>$</t><t>{</t><t>abc</t><t>}</t></r>", "<r><t>ABC</t><t></t></r>"},
{"<r><t>${abc}</t></r>", "<r><t>ABC</t></r>" },
{"<r><t>x${abc}</t></r>", "<r><t>xABC</t></r>" },
{"<r><t>x${abc}y</t></r>", "<r><t>xABCy</t></r>" },
{"<r><t>x${abc}${tha}z</t></r>", "<r><t>xABCTHAz</t></r>" },
{"<r><t>x${abc}u${tha}z</t></r>", "<r><t>xABCuTHAz</t></r>" },
{"<r><t>x${ab</t><t>c}u</t></r>", "<r><t>xABC</t><t>u</t></r>" },
{"<r><t>x${ab</t><t>yupeekaiiei</t><t>c}u</t></r>", "<r><t>xABYUPEEKAIIEIC</t><t>u</t></r>" },
{"<r><t>x${ab</t><t>yupeekaiiei</t><t>}</t></r>", "<r><t>xABYUPEEKAIIEI</t><t></t></r>" },
};
for (int i = 0; i < tests.GetLength(0); i++)
{
string value = tests[i, 0];
string expectedValue = tests[i, 1];
string actualValue = Test(value);
Console.WriteLine($"{value} => {actualValue} == {expectedValue} = {actualValue == expectedValue}");
}
Console.WriteLine("Done!");
Console.ReadLine();
}
public interface ITextReplacer
{
string ReplaceValue(string value);
}
public class DefaultTextReplacer : ITextReplacer
{
public string ReplaceValue(string value) { return $"{value.ToUpper()}"; }
}
public interface ITextElement
{
string Value { get; set; }
void RemoveFromParent();
}
public class XElementWrapper : ITextElement
{
private XElement _element;
public XElementWrapper(XElement element) { _element = element; }
string ITextElement.Value
{
get { return _element.Value; }
set { _element.Value = value; }
}
public XElement Element
{
get { return _element; }
set { _element = value; }
}
public void RemoveFromParent()
{
_element.Remove();
}
}
public class OpenXmlTextWrapper : ITextElement
{
private Text _text;
public OpenXmlTextWrapper(Text text) { _text = text; }
public string Value
{
get { return _text.Text; }
set { _text.Text = value; }
}
public Text Text
{
get { return _text; }
set { _text = value; }
}
public void RemoveFromParent() { _text.Remove(); }
}
private static void FillInValues(string sourceFileName, string destFileName)
{
File.Copy(sourceFileName, destFileName, true);
using (WordprocessingDocument doc =
WordprocessingDocument.Open(destFileName, true))
{
var body = doc.MainDocumentPart.Document.Body;
var paras = body.Descendants<Paragraph>();
SimpleStateMachine stateMachine = new SimpleStateMachine();
//stateMachine.TextReplacer = <your implementation object >
ProcessParagraphs(paras, stateMachine);
}
}
private static void ProcessParagraphs(IEnumerable<Paragraph> paras, SimpleStateMachine stateMachine)
{
foreach (var para in paras)
{
foreach (var run in para.Elements<Run>())
{
//Console.WriteLine("New run:");
var texts = run.Elements<Text>().ToArray();
for (int k = 0; k < texts.Length; k++)
{
OpenXmlTextWrapper wrapper = new OpenXmlTextWrapper(texts[k]);
stateMachine.HandleText(wrapper);
}
}
}
}
public class SimpleStateMachine
{
// 0 - outside - initial state
// 1 - $ matched
// 2 - ${ matched
// 3 - } - final state
// 0 -> 1 $
// 0 -> 0 anything other than $
// 1 -> 2 {
// 1 -> 0 anything other than {
// 2 -> 3 }
// 2 -> 2 anything other than }
// 3 -> 0
public ITextReplacer TextReplacer { get; set; } = new DefaultTextReplacer();
public int State { get; set; } = 0;
public List<ITextElement> TextsList { get; } = new List<ITextElement>();
public StringBuilder Buffer { get; } = new StringBuilder();
/// <summary>
/// The index inside the Text element where the $ is found
/// </summary>
public int Position { get; set; }
public void Reset()
{
State = 0;
TextsList.Clear();
Buffer.Clear();
}
public void Add(ITextElement text)
{
if (TextsList.Count == 0 || TextsList.Last() != text)
{
TextsList.Add(text);
}
}
public void HandleText(ITextElement text)
{
// Scan the characters
for (int i = 0; i < text.Value.Length; i++)
{
char c = text.Value[i];
switch (State)
{
case 0:
if (c == ''$'')
{
State = 1;
Position = i;
Add(text);
}
break;
case 1:
if (c == ''{'')
{
State = 2;
Add(text);
}
else
{
Reset();
}
break;
case 2:
if (c == ''}'')
{
Add(text);
Console.WriteLine("Found: " + Buffer);
// We are on the final State
// I will use the first text in the stack and discard the others
// Here I am going to distinguish between whether I have only one item or more
if (TextsList.Count == 1)
{
// Happy path - we have only one item - set the replacement value and then continue scanning
string prefix = TextsList[0].Value.Substring(0, Position) + TextReplacer.ReplaceValue(Buffer.ToString());
// Set the current index to point to the end of the prefix.The program will continue to with the next items
TextsList[0].Value = prefix + TextsList[0].Value.Substring(i + 1);
i = prefix.Length - 1;
Reset();
}
else
{
// We have more than one item - discard the inbetweeners
for (int j = 1; j < TextsList.Count - 1; j++)
{
TextsList[j].RemoveFromParent();
}
// I will set the value under the first Text item where the $ was found
TextsList[0].Value = TextsList[0].Value.Substring(0, Position) + TextReplacer.ReplaceValue(Buffer.ToString());
// Set the text for the current item to the remaining chars
text.Value = text.Value.Substring(i + 1);
i = -1;
Reset();
}
}
else
{
Buffer.Append(c);
Add(text);
}
break;
}
}
}
}
public static string Test(string xml)
{
XElement root = XElement.Parse(xml);
SimpleStateMachine stateMachine = new SimpleStateMachine();
foreach (XElement element in root.Descendants()
.Where(desc => !desc.Elements().Any()))
{
XElementWrapper wrapper = new XElementWrapper(element);
stateMachine.HandleText(wrapper);
}
return root.ToString(SaveOptions.DisableFormatting);
}

Sé que mi respuesta llega tarde, pero podría ser útil para otros. También asegúrese de probarlo. Mañana haré más pruebas con documentos reales. Si encuentro algún error, arreglaré el código aquí, pero hasta ahora todo bien.

Actualización: el código no funciona cuando los marcadores de posición ${...} se colocan en una tabla. Este es un problema con el código que escanea el documento (la función FillInValues).

Actualización: cambié el código para escanear todos los párrafos.