提取DOCX文件文本时的节点拆分与空格保留问题求助

一、自行解析XML时的问题修复 #

1. 正确获取xml:space="preserve"属性 #

你当前代码无法获取该属性，是因为xml:属于XML默认命名空间（http://www.w3.org/XML/1998/namespace），直接遍历node.Attributes无法拿到带命名空间的属性。修改文本节点的处理逻辑：

if (node.NodeType == XmlNodeType.Text)
{
    string text = node.Value;
    // 获取xml:space属性
    XmlAttribute spaceAttr = node.Attributes?.GetNamedItem("space", "http://www.w3.org/XML/1998/namespace") as XmlAttribute;
    if (spaceAttr != null && spaceAttr.Value == "preserve")
    {
        // 保留原始空格，不做修剪
        sb.Append(text);
    }
    else
    {
        // 非preserve模式下，仅保留必要空格（避免多余空白）
        sb.Append(text.Trim());
    }
}

2. 处理文本拆分与节点分隔 #

DOCX的文本会被拆分到多个<w:t>节点（分属不同<w:r>或<w:p>），需要根据父节点类型添加分隔符：

• 遇到<w:p>（段落）节点：处理完子节点后添加换行符\n
• 遇到<w:r>（文本块）节点：可根据前后节点判断是否添加空格，避免文本粘连

修改后的完整遍历方法：

private string ExtractAllText(XmlNode node)
{
    StringBuilder sb = new StringBuilder();
    string wordNs = "http://schemas.openxmlformats.org/wordprocessingml/2006/main";

    if (node.NodeType == XmlNodeType.Text)
    {
        string text = node.Value;
        XmlAttribute spaceAttr = node.Attributes?.GetNamedItem("space", "http://www.w3.org/XML/1998/namespace") as XmlAttribute;
        if (spaceAttr != null && spaceAttr.Value == "preserve")
        {
            sb.Append(text);
        }
        else
        {
            sb.Append(text.Trim());
        }
    }
    else if (node.Name == "w:p" && node.NamespaceURI == wordNs)
    {
        // 处理段落内所有子节点文本
        foreach (XmlNode curr in node.ChildNodes)
        {
            sb.Append(ExtractAllText(curr));
        }
        // 段落结束添加换行
        sb.AppendLine();
    }
    else if (node.HasChildNodes)
    {
        foreach (XmlNode curr in node.ChildNodes)
        {
            sb.Append(ExtractAllText(curr));
        }
    }

    return sb.ToString();
}

二、使用DocumentFormat.OpenXml的正确姿势 #

直接调用Body.InnerText会忽略格式和空格规则，需要遍历具体文本节点并处理xml:space属性：

using (WordprocessingDocument doc = WordprocessingDocument.Open(_Filename, false))
{
    StringBuilder sb = new StringBuilder();
    var body = doc.MainDocumentPart.Document.Body;

    foreach (var paragraph in body.Elements<Paragraph>())
    {
        foreach (var run in paragraph.Elements<Run>())
        {
            foreach (var text in run.Elements<Text>())
            {
                // 获取xml:space属性
                var spaceAttr = text.GetAttribute("space", "http://www.w3.org/XML/1998/namespace");
                if (spaceAttr == "preserve")
                {
                    sb.Append(text.Text);
                }
                else
                {
                    sb.Append(text.Text.Trim());
                }
                // 不同文本块之间添加空格（可根据实际文档结构调整）
                sb.Append(" ");
            }
        }
        // 段落结束添加换行
        sb.AppendLine();
    }
    // 去除末尾多余的空格和换行
    return sb.ToString().TrimEnd();
}

关键注意事项 #

• DOCX的文本布局依赖<w:p>（段落）、<w:r>（文本块）、<w:t>（文本节点）的层级结构，必须按层级处理才能还原合理的文本分隔
• xml:space="preserve"仅作用于当前<w:t>节点内的空格，需要单独判断每个文本节点的该属性
• 不同Run之间的空格是否需要添加，要根据实际文档结构调整（部分文档会用专门的空格节点，无需额外添加）

内容的提问来源于stack exchange，提问作者joelc