单词范围：在与纯文本对应的格式化文本中移动范围索引

Question

我需要分析Word文档的文本，并在分析器检测到的文本范围内创建书签（几乎像语法检查器）。

我不想使用查找（）实用程序，因为我的需求太具体了。

为此,，

1/检索纯文本文档

我检索文档主要故事的纯文本：

字符串明文=活动文档。范围（）.文本；

2/分析纯文本并得到结果

我将其发送到analyzer工具，该工具返回一个带位置的标记集合：例如，如果我想在文档文本中检测到模式“my pattern”，analyzer可以将标记返回为{pattern:“my marker”，start:5，end:14}，其中“start”和“end”是发送的纯文本中模式的字符索引。

3/在文档中显示结果

我从这些标记创建书签。例如，它可能是：

// init a new range and collapse it 
Word.Range range = activeDocument.Range(); range.Collapse(WdCollapseStart); 

// move character-by-character in the "formatted" text
range.MoveStart(WdUnits.Character, Marker.start ); # Marker.start=5

//set length (end)
range.setRange(range.Start,range.Start+(Marker.End-Marker.Start)); #Marker.end=14

4/结果

4.1全球成果

当文档主故事包含文本、链接、列表、标题时，一切正常：范围定位良好，纯文本索引与格式化文本索引关联。

4.2阵列问题

当一个文档包含一个数组时，范围被错误地定位为几个字符：纯文本索引与格式化文本索引不完全相关。

我发现了这个问题的原因（在其他论坛中解释过）：这是由于非打印字符（7），它是纯文本中添加的单元格分隔符。我们可以处理这些字符来计算位置范围，一切正常！

4.3发布内容控件、目录、章节和其他

当文档包含这些元素时，范围也会被错误地定位为几个字符。其他非打印显示为纯文本，但我不明白它的含义以及如何计算位置范围。

通过使用“开发人员”功能区显示单词元素标记

4.4带尾纸的问题

我不知道英语怎么说“page de garde”（法语），我想是“endpaper”：这是第一个有特定页眉、页脚和内容控件的页面：）

当一个文档包含一个尾页时，范围也被错误地定位为几个字符。但是这一次，在纯文本中没有非打印标记。

其他信息，当我用“开发者功能区”显示单词元素标记时

• 如何在Word文档范围内检测尾纸

我发现了类似的问题：

• 关联范围。文本到范围。开始和范围。完
• http://www.vbaexpress.com/forum/showthread.php?36710-表格范围文本上的奇怪字符

我希望我的解释很清楚，你能帮助我理解什么是错误的，或者告诉我一个最好的方法来做到这一点？

谢谢，真的。

Answer 1

它不是真的漂亮，但你可以尝试删除不需要的字符由Regex。例如删除\a字母（它有代码7）：

string j = new string(new char[] { (char)7 });
plainText = Regex.Replace(plainText,string.Format("[{0}]", j), "");

现在，您必须识别其他“邪恶”字符，并将它们添加到字符数组中。如果它有效，您将得到一个字符串，其长度与文档中的Characters的数量相对应。也许你必须通过实验来修改这段代码。（我不知道你用的是哪种语言-我想是C#。）

更新另一个想法（如果适用于您的analyzer工具）：

将问题分解为单个段落：

foreach(Word.Paragraph pg in activeDocument.Paragraphs)
{
    Word.Range range = pg.Range();
    string text = range.Text;
    // your stuff here
}

对于此段落范围对象和包含的文本字符串，您可以执行与处理整个文档对象及其文本相同的操作—只是逐段执行。所有这些段落都可以通过范围和移动操作“寻址”，就像您已经做的那样。我假设有问题的字符在段落的外部或末尾，因此它们不会影响这些段落内部的字符计数。

因为我不能复制你所说的终稿，所以我不能验证它。此外，我不知道页面标题和目录等特殊文本范围是否被段落覆盖。但至少你可以把你的问题缩小到更小的范围。我觉得值得一试。