C# 获取docx文档页数的古怪方法

文章目录

[C# 获取docx文档页数的古怪方法](# 获取docx文档页数的古怪方法)
- [1. 背景](#1. 背景)
- [2. docx是一个zip](#2. docx是一个zip)
- 3. 使用C#代码解压docx文档
- [4. 那个自称document的XML](#4. 那个自称document的XML)
- [5. 查找并统计分页标签](#5. 查找并统计分页标签)

C# 获取docx文档页数的古怪方法

1. 背景

有时候，我们需要获取一个Word格式文档（docx）的页数，甚至在某一页做某些操作，如果我们使用COM+调用office或wps这些商用软件，是相当方便的，而使用aspose.word这些商业库，也是短短几行代码的事情。然而，当程序跑在某些特定的环境（例如没有Office软件的环境），或者我们资金有限而又有道德洁癖（不愿意使用盗版），获取docx文件页数，这种看似简单的问题反而变得复杂，因为我们常用的开源库poi/npoi或OpenXML SDK等，并没有提供这样的操作。

本着"自己动手，丰衣足食"的原则，那就自己手工写代码看看吧，顺道把坑踩一遍。

2. docx是一个zip

既然是要自己写代码处理这种问题，那么我们要回到问题的本质------word的docx文档究竟是什么？.docx 文件本质上就是一个 ZIP压缩包。我们将.docx 文件扩展名改为.zip，然后使用解压缩工具来打开它。解压后，你会发现其中包含许多XML文件和媒体文件（如下图），它们共同构成了Word文档的内容和格式。

可见，我们可以从这对xml文件着手，解决问题，而Word的这种docx文档有什么特点呢？我也请教了AI：

基于 Open XML 标准：.docx 格式是微软Word（从2007版本开始）所使用的基于Office Open XML标准的文件格式。
包含大量XML文件：与旧的二进制格式的.doc文件不同，.docx 文件是一个包含多个XML文件的压缩集合。
主要内容 ：解压后，核心的文本内容通常保存在 word/document.xml 文件中，而文档的样式信息、媒体文件等则分别存储在其他文件夹或文件中。
优点：这种基于XML和压缩的格式使得文件更小，并且允许更灵活地访问和编辑文档的内部结构。

那么，我们的这个奇奇怪怪的获取docx文档页数的方法，就从word/document.xml文件开始了。

3. 使用C#代码解压docx文档

解压这样的文档，并不复杂，直接用ZipFile这样的库即可（具体可参考我的博文C# 压缩解压文件的常用方法），示例代码如下：

csharp 复制代码

var docxFile = $@"{Environment.CurrentDirectory}{Path.DirectorySeparatorChar}test.docx";
var extractedPath = $@"{Environment.CurrentDirectory}{Path.DirectorySeparatorChar}extracted";
var xmlPath = $@"{extractedPath}{Path.DirectorySeparatorChar}word{Path.DirectorySeparatorChar}document.xml";

if (File.Exists(docxFile))
{
    System.IO.Compression.ZipFile.ExtractToDirectory(docxFile, extractedPath, true); // 最后一个参数为true，目录已存在则覆盖
    Console.WriteLine($"Extracted {docxFile} to {extractedPath}");
}
else
{
    Console.WriteLine($"File {docxFile} does not exist.");
}

解压后的目录如下：

4. 那个自称document的XML

进入解压后的word目录了，我们可以找到document.xml文件，敢自称document，也肯定是有点东西的，打开一看，确实名副其实：

可见一个word文档的整体脉络以及主要的行文，都在这里面了。当然，文档里的图片等资源也是记录在这里，例如对某个资源的引用<a:blip r:embed="rId7"/>等，当然这还牵涉到media和document.xml.rels中的引用关系等等，有机会再细说。那么，回到本次描述的"获取文档页数"这个操作，就比较简单了，只要我们找到里面的<w:lastRenderedPageBreak/>元素，问题就可以解决了。顾名思义，该元素是用于给word文档分页的，相当于用它来"切香肠"，一刀分两页，两刀分三页，以此类推......

5. 查找并统计分页标签

使用自带的System.Xml库，可以对xml文件进行解析，查找并获取<w:lastRenderedPageBreak/>，实现定位和统计等功能（本文就以统计为例）。

csharp 复制代码

if (File.Exists(xmlPath))
{
    var xmlContent = File.ReadAllText(xmlPath);
    var xmlDoc = new System.Xml.XmlDocument();
    xmlDoc.LoadXml(xmlContent);

    var nsmgr = new System.Xml.XmlNamespaceManager(xmlDoc.NameTable);
    nsmgr.AddNamespace("w", "http://schemas.openxmlformats.org/wordprocessingml/2006/main");

    var nodes = xmlDoc.SelectNodes("//w:lastRenderedPageBreak", nsmgr);
    var cnt = nodes?.Count ?? 0;

    Console.WriteLine($"使用XML解析的方式找到 <w:lastRenderedPageBreak /> 节点数量: {cnt}");
    Console.WriteLine($"该文档共有 {cnt + 1} 页");
}
else
{
    Console.WriteLine($"File {xmlPath} does not exist.");
}

以本文中的测试文档为例，文档共7页，查找并计算出来的页数也是7页，结果与实际一致。