OpenXml SDK学习笔记（1）：Word的基本结构

能写多少篇我就不确定了，可能就这一篇就太监了，也有可能会写不少。

OpenXml SDK 相信很多人都不陌生，这个就是管Office一家的文档格式，Word, Excel, PowerPoint等都用到这个。并且，这个格式主要是给Word 2007以上使用的。如果是用到其中Excel部分，那建议直接使用NPOI这样的成品类库就行。

但是，NPOI FOR WORD真的是太难受了。当然，也不是说一定要用NPOI，现在成品的WORD操作库也不是没有，比如DocX。这个库基本算是 Xceed Words for .NET 的简化版。GitHub https://github.com/xceedsoftware/DocX 。而且，这个库非常牛逼的地方在于他是直接操作XML的，效率是上去了，可读性就下去了啊。要读懂这个，恐怕得对  ISO/IEC 29500 这个标准非常熟悉。那没救了，我是专精信息系统开发的，对这个标准的理解非常一般。而且说实话，这个标准里 95% 以上的内容我根本用不到，我又不用做一个Word，我只需要把我系统里的东西生成为一个Word显示出来就行了。

那于是，我痛定思痛，自己读文档吧：https://docs.microsoft.com/zh-cn/office/open-xml/open-xml-sdk （当然，英文的质量比中文可高多了，不过懒的看英文）。这文档写的可真是太专业了，想读懂它恐怕得要点技术水平。所以呢，我打算把这个文档给拆一下，做一个笔记。能写多少就随缘了，反正我把需求实现完了就不写了。恐怕两三篇就完事了。那第一篇讲的就是Word的基本结构。

一、WordprocessingML的理解

在看文档和使用的时候，就可以发现这样的一个命名空间：Wordprocessing。也可以看到这样的名词WordprocessingML。什么意思呢，Office家的这个产品叫Word，其作用是处理文字。所以，Wordprocessing翻译成 文字处理 就行了。对于OpenXml结构的docx文件那就是一个压缩包。你把后缀名从docx改成zip就可以用解压软件打开了。在其中，可以看到这样的结构：

 

 

 

 这个结构里，第一个文件夹word就是我们要关注的内容，这个文件夹里是这样的：

 

 

 有图片的话会更复杂一点，再多一个media文件夹，里面存着图片。不过这个无关紧要，本次我的需求只是简单的输出一个纯文档的证明文件。所以，不要管图片了。

在这里，重点需要注意注意的xml有两个，document.xml和styles.xml。他们分别对应着docx文件的样式部分和正文部分，大致就是这样的：

 

也就是说，如果我们需要通过代码编辑一个纯文本的Word，那就是修改这两个xml就可以了。甚至于，如果不需要搞样式的话，只要改docment.xml就行了。这两个Xml适用的标准就是 ISO/IEC 29500，并且这种Xml就称为：WordprocessingML。

但是，手写xml可太刑了。把整个 ISO/IEC 29500:2016 读完怕不是半条命就要去掉了。再等你把代码写完，恐怕你的工作就已经凉凉了。所以呢，微软自己出了个 OpenXml SDK 帮助开发者编辑这种Xml文件。不过呢，这玩意也是真的难用。而且说实话，里面一大片功能是根本用不着。说实话，日常使用的时候，也就是搞个样式，然后向里面添加文字，设置一下字体和段落样式，顶多插入点图片和表格。

对于我这种做普通的信息管理系统的人来说，图片和表格里都有大把的功能是完全用不着的。而且对于MIS的绝大部分用例而言，我都是只需要生成Word，然后由Word程序读取，而不需要由我来读一个Word模板，然后再向其中修改。当然，如果你会写了，读也不是什么太难的问题，只不过Word那个鬼程序里的Run真的是看不懂生成规律，经常会有乱七八糟的东西。所以，如果有碰到读模板再向里写的需求，我另外写一个笔记。

 

二、创建一个Word文件

打开VS，然后创建一个命令行程序，向里面添加一个名为“DocumentFormat.OpenXml”的Nuget包，这样项目的引用关系就做完了。然后添加以下代码：

 1 if (File.Exists("newDocx.docx"))
 2 {
 3     File.Delete("newDocx.docx");
 4 }
 5 
 6 using (WordprocessingDocument doc = WordprocessingDocument.Create("newDocx.docx", DocumentFormat.OpenXml.WordprocessingDocumentType.Document))
 7 {
 8     var main = doc.MainDocumentPart;
 9     if (doc.MainDocumentPart == null)
10     {
11         doc.AddMainDocumentPart();
12     }
13 
14     if (doc.MainDocumentPart.Document == null)
15     {
16         doc.MainDocumentPart.Document = new Document();
17     }
18     var body = doc.MainDocumentPart.Document;
19 
20     Paragraph para = new Paragraph();
21     Run r = new Run();
22     Text t = new Text();
23     t.Text = "Hello World";
24     r.Append(t);
25     para.Append(r);
26     body.Append(para);
27 
28     doc.Save();
29 }

运行一下，就可以发现在运行目录下，出现了一个名为 newDocx.docx 的文件。这个文件打开，里面就一行 Hello World 文本。虽然，这个Hello World程序简单，但是要理解这个东西就 特！别！麻！烦！

首先，using语句块里，“WordprocessingDocument”对象 就是一个docx文档对象，也就是上文所述的那个压缩包。声明这个对象通常使用两种方法：Open和Create。非常好区别，一个是打开，一个是创建。

之后，“MainDocumentPart”这个属性就相当于压缩包里的“word”文件夹，非常的真实。

接着，“MainDocumentPart.Document”这个属性就相当于“word”文件夹下的“document.xml”文件，更真实了。

再下，“Paragraph”是一个段落。一份Word是由多个段落或者表格组成的。所以，在Word文档里，看到回车符，就可以认为是一个“Paragraph”对象的结束。

 

 

 在“段落”里，有多个连续文本，也就是“Run”。一个Run就相当于Html里的span标签。比如，上文中，Hello World整个文本都是一样的格式。所以，就应当在一个Run里。写成Html大致是这样的感觉：

1 <p>
2     <span>Hello Worldspan>
3 p>

但是，并不是所有情况都是这样的。在很多时候，一个段落的文本也是有不同的格式的。比如说，中文和英文的字体不一样，或者其它情况。比如，下文这样：

 

 

 

 那这时，就需要对段落内的文本再进行拆分。上图的格式，写成Html大致是这样的感觉：

 1 <p>
 2      <span>某span>
 3      <span>个span>
 4      <span>大span>
 5      <span>学span>
 6      <span>大span>
 7      <span>学span>
 8      <span>生span>
 9      <span>创span>
10 p>

所以呢，这里每一个字都是一个Run。在Run里，则是正式的文字，相当于span的#innerText。但是，WordprocessingML要求你将这些文字放在名为Text的段落里。

至此，整个Word的基本结构就看懂了。Document里面有若干个Paragraph。每个Paragraph里，前后格式完全一样的文本放在一个Run里。前后格式不一样的文本放在不同的Run里。每一个Run里面再有若干个Text。那么，练习一下，下面的Word有几个Paragraph，几个Run?

 

 这个就是我需求的一部分，我也没有截全。但是看的出来，是有两个段落。所以，两个Paragraph安排上。第一个Paragraph里，“兹证明”的格式是一样的，但是后面的下划线的文本是“空格符”，文本格式是“下划线”。他们的格式与前面的“兹证明”不一样。所以，哪怕再后续的“学院教师”与“兹证明”的格式相同，这里也得分成三个Run。再之后，又是一个下划线，再一个Run。再后，根据需求，这个括号也是三号宋体和文字的格式一样，所以“（教工号：”是一个Run。下划线再一个Run。“）指导项目如下：”一个Run。所以，第一段里就有7个Run。

第二段，就留给大家做练习了。在我截出来的部分，所有数字符号都是三号宋体，和文字一样。算一下多少个Run？具体过程我就略了，答案是5个。