c++从office word的xml源文本文件中提取空行后的首个段落

背单词时将难记单词的词源整理到了一个word文档中，按字典序排好了顺序，每个单词之间用空行隔开。

由于记录的单词越来越多，手动维护（查找）新的生词要插入的位置越来越费力（词汇量大，难以统计已被记录的生词；词源解释中包含大量无关单词，难以通过crtl+f查找立即定位想要的前缀）。

就想着写一个程序，从已有的word文件中预处理出已记录的单词的列表，存储在txt文件中，方便日后直接通过该txt文件查找插入位置。

——————————————————————————————————————————————————————————————————

准备工作1：确定要提取的文本

——————————————————————————————————————————————————————————————————

 

记录词源的word文档如图：

 

 

 

 记录时有意识地让每个单词间隔了个空行（万幸）；单词释义和词源之间也通过换行符分割开来。（如果有意识地记录加入了哪些单词就不用这么费事了）

容易看出单词内部没有空行（段），不同单词之间一定有空行（段）。

容易想到只需要处理出所有空行（段）后面的第一段（非空）就可以了。

————————

准备工作2：观察word文档的xml文本文件。

————————

将word文档用压缩文件打开。

 

 找到记录文本的document.xml文件。

通过记事本打开可以发现，正片文档只有两行，无需处理空行。

第一行：

第二行：

 

通过浏览器打开该xml文件，可以清晰地看出目录结构。

 

 

 之前听说过xml文件是由大量标签构成的标记语言，每个标签的作用及语法无需细究，能看出和html语言类似的地方（指 body 标签和段落标签。(<w:p></w:p>标签标记了一个段落)）

对照word文件和xml文件容易发现空行（段落）的几种主要形式：

1.形如<w:p    />。

//形如 <w:p />
<w:p w:rsidR="00D53387" w:rsidRDefault="00D53387"/>

 

 2.只含标签的空段落。

//只含标签的空段落
<w:p w:rsidR="004C3DBD" w:rsidRDefault="004C3DBD" w:rsidP="004C3DBD">
    <w:pPr>
        <w:rPr>
             <w:rFonts w:hint="eastAsia"/>
        </w:rPr>
    </w:pPr>
</w:p>            

　　

 

 3.暂时没找到。

——————————————————————

文本被<w:t></w:t>标签包围，同段文本在同样的<w:p></w:p>标签之间。

 

 

准备工作结束

可以看出，只要定位出空段落的位置，再从接下来的段落中提取出文本就可以了。

——————————————————————

——————————————————————

主要思路：

1，所有空行（段落）都由"<w:p"开头，读到"<w:p"时进行空行（段落）判定。

1）读完一个标签时，如果末尾由"/>"结尾，可判定为空行。

2）不满足1）时，如果由"<w:p "开头，则对整段进行判定，读取到"</w:p>"为止，只含标签，则判定为空行。

2，判定为空行时文件指针已经移动到下一段开头，直接在下一段内（下一个</w:p>标签前）寻找<w:t></w:t>标签，打印其中内容。

细节优化：

1、连续空行且出现不同空行形式时，可能会出现无输出的情况，如图所示。在打印文本时需要设置flag=1，在有文本输出时将其置为0，否则不断循环（防止遇到空段结束直接跳出）。

 

 

一个简单的小模拟，我的实现也不是最优的，就写到这里。

 

下面是代码。

 

 

#include<stdio.h>
#include<algorithm>
#include<string.h>
#include<stdlib.h>

const int maxn = 1e5+5;

int tx[maxn+5];

//向后移动文件指针
inline int moven(int num, FILE* now)
{
    int chn;
    while((chn = getc(now)) != EOF && (--num));
    return chn;
}

// make array for lable
//full <W:P> has been saved
int r_lable(FILE *now)
{
    int cnt = 0;
    while((tx[++cnt] = getc(now)) != EOF){
        if(tx[cnt] == '>') break;
    }
    return cnt;
}

//read </w:p> after reading <w:p>
bool is_emptwp(FILE * now)
{
    int chn;
    while((chn = getc(now)) != EOF)
    {
        if(chn == '<'){
            chn = getc(now);
            //second
            if(chn == '/'){
                chn = moven(3, now);
                if(chn == 'p'){
                    chn = getc(now);
                    if(chn == '>') return 1;
                }
            }
            //move
            while(chn != '>' && (chn = getc(now)) != EOF);
        }
        else return 0;
    }
    return 0;
}

inline bool is_readwp(int len, FILE *now)
{
    //<w:p /> || empty<w:p></w:p>
    return tx[len-1] == '/' || is_emptwp(now);
}

//find next <w:t></w:t>
int match_t(FILE * now, FILE * outn){
    int chn, flag = 1;
    while((chn = getc(now)) != EOF){
        if(chn == '<'){
            chn = getc(now);
            if(chn == '/'){
                chn =  moven(3, now);
                if(chn == 'p') {
                    chn = getc(now);
                    if(chn == '>')
                    return flag;
                }
            }
            else {
                chn = moven(2, now);
                if(chn == 't'){
                    chn = getc(now);
                    if(chn != 'a'){
                    while(chn != '>' && (chn = getc(now)) != EOF);
                    while((chn = getc(now)) != EOF && chn != '<') {
                        putc(chn, outn);
                        flag = 0;
                        };
                    } 
                }
            }

        }
    }
    return 0;
}

int main()
{
    int chr, chw;
    FILE *in, *out;
    // char n_read[55], n_out[55];

    in = fopen("document.xml", "r");
    out = fopen("base.txt", "r+");

    //locate body
    while((chr = getc(in)) != EOF){
        if(chr == '<'){
            chr = moven(3, in);
            if(chr == 'b') break;
            else continue;
        }
    }

    //locate <w:p />
    while((chr = getc(in)) != EOF){
        if(chr == '<'){
            chr = moven(3, in);
            if(chr == 'p'){
                chr = getc(in);
                if(chr == ' ') {
                    int len = r_lable(in);
                    if(is_readwp(len, in)){
                        while(match_t(in, out));
                        putc('\n', out);
                    }
                }
                
                //if match <w:p /> go match <w:t></w:t>
            }
        }
    }

    fclose(in);
    fclose(out);
    return 0;
}
/*
提取<w:t></w:t>间的字符
定位空行<w:p />后的段落
读取空行后 读取一段
*/

 成果如图：

 

 

 

 

 

 有了这个再跑kmp，二分或者后缀自动机就方便了（