【案例】--解析提取docx文档案例

一、前言

项目中遇到这样的一个需求：“一个docx文档，用户根据关键词能搜索定位到文档的哪一页”。docx文档主要有文本、表格、图片、附件这几类组合，为了达到高精度要求，表格、图片、附件等附带的内容也要能够搜索定位到，那么，对docx文档的每一页要收集上述几类的数据，以便后续功能扩展。
以上就是这个需求的核心诉求，针对上面的问题，首先我们要解决的是：(1)、“如何精准的对docx文档按照页进行精准提取出文本、图片、表格等位置/信息”；(2)、对图片中文字信息进行提取；(3)、如何方便的搜索关键字，并快速定位哪一页的文本还是图片。
上述3个问题，我们逐步去分析。
第一个问题：“如何精准的对docx文档按照页进行精准提取出文本、图片、表格等位置/信息”。 针对这个问题，可以有三种方法解析docx文档，但各种方法也有不足之处，可以根据自己的业务场景去选择最佳的方式。
第二个问题：“对图片中文字信息进行提取”。后续研究中！！！
第三个问题：“如何方便的搜索关键字，并快速定位哪一页的文本还是图片”。针对这个问题，需要借助ES的搜索能力，mongodb存储数据、上传图片&#x