XML 正在解析破碎的文本

Question

我正在寻找解析 word 文档 XML 以获取每个段落、句子或短语的页脚信息。

此命令获取所有文本之间没有空格。

pry(main)> doc.header_and_footers_xml[1].text()
=> " PAGE 1FirstGoogle.comSomething privacy Saturday, February 23, 2019"

这个命令稍微好一点，但是以奇怪的方式分解了文本：

pry(main)> doc.header_and_footers_xml[1].search('//text()')
=> [#<Nokogiri::XML::Text:0x3fdf0eb0c3a4 " PAGE ">, #<Nokogiri::XML::Text:0x3fdf10c41b78 "1">, #<Nokogiri::XML::Text:0x3fdf0eaa427c "F">, #<Nokogiri::XML::Text:0x3fdf0ea60bbc "irst">, #<Nokogiri::XML::Text:0x3fdf0e9f9bc4 "Google.com">, #<Nokogiri::XML::Text:0x3fdf0f6b636c "Something privacy">, #<Nokogiri::XML::Text:0x3fdf0b9ded90 " Saturday, February 23, 2019">]

pry(main)> doc.header_and_footers_xml[1].search('//text()')[2]
=> #(Text "F")

pry(main)> doc.header_and_footers_xml[1].search('//text()')[3]
=> #(Text "irst")

我想接收迭代 list/array 的元素：'PAGE'、'1'、'First'、'Google.com'、'Something privacy'、'Saturday, February 23, 2019'

下面是完整的XML。是否可以只迭代 name = "p" 个元素？

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<w:hdr xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main">
    <w:sdt>
        <w:sdtPr>
            <w:rPr>
                <w:rStyle w:val="PageNumber" />
            </w:rPr>
            <w:id w:val="-157074914" />
            <w:docPartObj>
            <w:docPartGallery w:val="Page Numbers (Top of Page)" />
            <w:docPartUnique />
            </w:docPartObj>
        </w:sdtPr>
        <w:sdtEndPr>
            <w:rPr>
                <w:rStyle w:val="PageNumber" />
            </w:rPr>
        </w:sdtEndPr>
        <w:sdtContent>
            <w:p w:rsidR="00140C14" w:rsidRDefault="00140C14" w:rsidP="00AD16D8">
                <w:pPr>
                    <w:pStyle w:val="Header" />
                    <w:framePr w:wrap="none" w:vAnchor="text" w:hAnchor="margin" w:xAlign="right" w:y="1" />
                    <w:rPr>
                        <w:rStyle w:val="PageNumber" />
                    </w:rPr>
                </w:pPr>
                <w:r>
                    <w:rPr>
                        <w:rStyle w:val="PageNumber" />
                    </w:rPr>
                    <w:fldChar w:fldCharType="begin" />
                </w:r>
                <w:r>
                    <w:rPr>
                        <w:rStyle w:val="PageNumber" />
                    </w:rPr>
                    <w:instrText xml:space="preserve"> PAGE </w:instrText>
                </w:r>
                <w:r>
                    <w:rPr>
                        <w:rStyle w:val="PageNumber" />
                    </w:rPr>
                    <w:fldChar w:fldCharType="separate" />
                </w:r>
                <w:r>
                    <w:rPr>
                            <w:rStyle w:val="PageNumber" />
                        <w:noProof />
                    </w:rPr>
                    <w:t>1</w:t>
                </w:r>
                <w:r>
                    <w:rPr>
                        <w:rStyle w:val="PageNumber" />
                    </w:rPr>
                    <w:fldChar w:fldCharType="end" />
                </w:r>
            </w:p>
        </w:sdtContent>
    </w:sdt>
    <w:p w:rsidR="002132D5" w:rsidRDefault="00140C14" w:rsidP="00140C14">
        <w:pPr>
            <w:pStyle w:val="Header" />
            <w:ind w:right="360" />
        </w:pPr>
        <w:r>
            <w:t>F</w:t>
        </w:r>
        <w:r w:rsidR="002132D5">
            <w:t>irst</w:t>
        </w:r>
    </w:p>
    <w:p w:rsidR="00140C14" w:rsidRDefault="00140C14" w:rsidP="00140C14">
        <w:pPr>
            <w:pStyle w:val="Header" />
            <w:ind w:right="360" />
        </w:pPr>
        <w:r>
        <w:t>Google.com</w:t>
        </w:r>
    </w:p>
    <w:p w:rsidR="00140C14" w:rsidRDefault="00140C14" w:rsidP="00140C14">
        <w:pPr>
            <w:pStyle w:val="Header" />
            <w:ind w:right="360" />
        </w:pPr>
        <w:r>
            <w:t>Something privacy</w:t>
        </w:r>
        <w:r w:rsidR="00710468">
            <w:t xml:space="preserve"> Saturday, February 23, 2019</w:t>
        </w:r>
        <w:bookmarkStart w:id="0" w:name="_GoBack" />
        <w:bookmarkEnd w:id="0" />
    </w:p>
</w:hdr>

这是word文档：

Answer 1

原理是这样的：

定义名称空间 URI，以便我们可以使用 XPath 正确搜索 <w:p> 元素。在这种情况下，只有 w: 命名空间是相关的。
迭代 <w:p> 个节点
加入每个非空文本节点

这可能非常不合惯用语 Ruby，但它应该可以帮助您入门：

require 'nokogiri'

header_and_footers_xml = Nokogiri::XML(open("footer.xml"))  

namespaces = {
  "w" => "http://schemas.openxmlformats.org/wordprocessingml/2006/main"
}

paras = header_and_footers_xml.search('//w:p', namespaces)
paras.each do |p|
  nodes = p.xpath('.//text()[normalize-space()]')
  texts = nodes.map { |n| n.text }
  puts(texts.join)
end

这会打印 (tested on Ruby 2.5):

 PAGE 1
First
Google.com
Something privacy Saturday, February 23, 2019

XPath表达式.//text()[normalize-space()]收集当前节点(.)的所有文本节点(text())后代，并通过调用normalize-space()过滤掉空白节点它们中的每一个都去除了空白 - 仅返回那些节点，其中在修剪后保留非空字符串。

XML 正在解析破碎的文本

XML Parsing Broken-up Text

ruby

xml

parsing

wordml

nokogiri