Lekce 14 - DocX - Práce s dokumenty MS Word v C# .NET

V předešlém cvičení, Řešené úlohy k 11.-13. lekci práce se soubory v C# .NET, jsme si procvičili nabyté zkušenosti z předchozích lekcí.

V dnešním C# .NET tutoriálu si uvedeme formát docx a rozpracujeme jednoduchý editor Microsoft Word souborů.

Formát DocX

DocX je formát používaný editorem MS Word z populárního kancelářského balíku MS Office. Na rozdíl od čistě textových dokumentů ukládá nejen text, ale i jeho formátování jako velikost, font, barvu a tak dále. Můžeme do něj vkládat i obrázky, tabulky a další položky. Tento formát je definován specifikací Office Open XML.

Specifikace Office Open XML

Tato specifikace definuje souborové formáty na ukládání textových dokumentů, tabulek či prezentací používaných nejen v aplikacích Office od Microsoftu. Tyto formáty jsou v podstatě soubory ZIP s XML dokumenty uvnitř, které nesou samotná data. Tato specifikace je rozdělena do několika částí. Zmiňme si ty nejdůležitější:

• WordProcessingML - XML pro textové dokumenty, vytvářené například v aplikaci MS Word. Ukládá se do souboru s příponou docx.
• SpreadsheetML - XML pro tabulky, vytvářené například v aplikaci MS Excel. Ukládá se do souboru s příponou xlsx.
• PresentationML - XML pro prezentace, vytvářené například v aplikaci MS PowerPoint. Ukládá se do souboru s příponou pptx.

WordProcessingML

Jak již bylo řečeno, tak každý docx soubor je ZIP se XML (WordProcessingML) soubory uvnitř, proto je můžeme stejně jako každý ZIP extrahovat. Zkusme si schválně vytvořit nějaký dokument v MS Word a poté jej extrahovat například změnou přípony z .docx na .zip.

V nově vzniklé složce se kromě dalších nachází složka word\ s XML dokumentem document.xml. Když si jej otevřeme, uvidíte přibližně takovouto strukturu:

...konec náhledu článku...
Pokračuj dál