VSTO中Word的查找方式

VSTO中Word的查找方式

前言

使用C#在VSTO开发Word插件的过程，经常需要对文档中的内容进行查找和替换。在Word中进行文本的查找替换，和一般对纯文本的查找替换却不太一样。因为Word文档是一个富文本对象，对文本的查找实际上是对一个对象的查找，而这个或者这种对象对于开发者是未知不可见的，因此和纯文本搜索比较，不仅存在许多不一样的地方，也存在一定的难度。本文主要对这些差异进行了讨论和分析。

正则全文搜索

通常情况下，对一个文本进行查找，我们会使用正则表达式，找到匹配模式的位置，如下所示。

	var pattern = "[0-9]+?";
    var content = "第1个";
    var mc = System.Text.RegularExpressions.Regex.Matches(content, pattern);
    if (mc.Count > 0)
    {
    	foreach (System.Text.RegularExpressions.Match m in mc)
    	{
    		//获取匹配字符串在输入中的索引位置
    		int searchIndex = m.Index;
    	}
    }

而在Word文档中，我们可以通过range.Text属性获取到文档的字符串表示，利用相同的正则表达式来进行查找。

	var pattern = "[0-9]+?";
	//获取文档的全部字符
    var content = doc.Range().Text;
    var mc = System.Text.RegularExpressions.Regex.Matches(content, pattern);
    if (mc.Count > 0)
    {
    	foreach (System.Text.RegularExpressions.Match m in mc)
    	{
    		//获取匹配字符串在输入中的索引位置
    		int searchIndex = m.Index;
    	}
    }

如果这个文档都是由纯文本组成的，那么得到的位置，就是查找字符在全文中的真实位置。

然而实际上大多数情况下，文档还可能有图片、表格、公式和图表等格式组成，不仅仅是文本组成。

range位置的替换

Word在将文档转换成Text的过程中，如果格式是文本，那么一个字符A就将转换成一个字符A（复制）；如果格式是富文本对象，比如图片，那个一个图片将会转换成一个空字符串“ ”，仅表示位置。

然而，在Word文档中，纯字符串类型的range的长度就是字符串的长度；非字符串对象的range的长度不确定。所以，经过Text的转换后，range的位置信息缺少了。查找到字符串在Text的位置，并不能找到该字符串在全文的range位置，也就无法对查找的字符串进行操作了。

//*表示任意字符，range长度为1
//A表示一个图片，range长度为4
//B表示一个公式，range长度为6
//Word文档中全文的range位置
****A**B**
(1)(2)(3)(4)(8)(9)(10)(17)(18)(19)
//Text的位置, 如图
**** ** **
(1)(2)(3)(4)(5)(6)(7)(8)(9)(10)

既然字符串的range位置丢失了，索性事先把所有对象的位置先存储起来。

/// <summary>
/// 从range中获取每一个字符的实际位置
/// </summary>
/// <param name="range">选中部分</param>
/// <returns>位置列表</returns>
public List<int> GetRangeLocation(Word.Range range)
{
    var ret = new List<int> { };
    foreach (Word.Range c in range.Characters)
    {
        ret.Add(c.Start);
    }
    return ret;
}

利用位置信息，终于可以得到一个可以正确查找文本的方法了。

/// <summary>
/// 根据模式，找到所有匹配的位置
/// </summary>
/// <param name="range">选中部分</param>
/// <param name="pattern">模式</param>
/// <returns>匹配列表</returns>
public List<Word.Range> SearchRangeInPattern(Word.Range range, string pattern)
{
    var ret = new List<Word.Range> { };
    var content = range.Text;
    var doc = range.Document;
	//获取实际的字符位置
    var locationList = GetRangeLocation(range);
    var mc = System.Text.RegularExpressions.Regex.Matches(content, pattern);
    if (mc.Count > 0)
    {
        foreach (System.Text.RegularExpressions.Match m in mc)
        {
            var searchStart = m.Index;
            var searchEnd = m.Index + m.Value.Length;
            //将text位置转换为range位置
            var realStart = locationList[searchStart];
            var realEnd = locationList[searchEnd];
            //获取匹配的range位置
            var itemRange = doc.Range(realStart, realEnd);
            ret.Add(itemRange);
        }
    }
    return ret;
}

实际运用

在实际运用的过程中，基本不能采用这种全文的正则查找方式，除非要搜索的文本内容长度很小。因为经过测试，获取字符的实际range位置，具有非常大的时间开销。原因在于获取每一个字符都是一次COM调用，调用时间数量级在10毫秒左右。多次的COM调用，使得总调用时间非常大。

find和replace的API查找

在Word的API存在定义好的查找函数，可以使用Word定义的规则（类似于正则表达式）的方式，进行通配符查找。

/// <summary>
/// 替换选中部分的文字
/// </summary>
/// <param name="range">选中部分</param>
/// <param name="search">待替换文字</param>
/// <param name="replace">替换文字</param>
public static void SearchReplace(Word.Range range, string search, string replace)
{
    range.Find.ClearFormatting();
    range.Find.Text = search;
    //使用通配符搜索
    range.Find.MatchWildcards = true;
    range.Find.Replacement.ClearFormatting();
    range.Find.Replacement.Text = replace;
    object replaceAll = Word.WdReplace.wdReplaceAll;
    object missing = Type.Missing;
    range.Find.Execute(ref missing, ref missing, ref missing, ref missing, ref missing,
        ref missing, ref missing, ref missing, ref missing, ref missing,
        ref replaceAll, ref missing, ref missing, ref missing, ref missing);
}

使用这种方法，查找速度快，执行时间短。

但是缺点也很明显，匹配经常不准确，比如空格和换行符，由于图片的悬浮位置影响，无法匹配。

此外基于通配符的匹配，毕竟不是正则表达式，不支持零字符位匹配和or匹配，所以用处有限，许多功能无法实现。

\\捕获0-无限个数字,
[0-9]* //正则表达式，若干个数字，包括0个
[0-9]{1,} //Word，若干个数字，必须1个以上
\\捕获数字或者字母
[0-9]|[a-z] //正则表达式，一个数字或一个字母
[0-9] then [a-z] //word，只能分成两次来匹配，不支持or的匹配

总结对比

方式	查找速度	匹配准确度	匹配模式
正则全文搜索	非常慢, 多次COM调用	高	正则表达式，类型多，只支持文本
Find查找	快，一次COM调用	中	通配符，类型少，支持多种对象查找