当前位置：首页 > news >正文

用Node.js施展文档比对魔法：轻松实现Word文档差异比较小工具，实现Word差异高亮标注（附完整实战代码）

news 来源：原创 2025/4/28 5:17:39

引言：当「找不同」遇上程序员的智慧
你是否经历过这样的场景？

法务同事发来合同第8版修改版，却说不清改了哪里

导师在论文修改稿里标注了十几处调整，需要逐一核对

团队协作文档频繁更新，版本差异让人眼花缭乱

传统的手动比对不仅效率低下，还容易遗漏关键修改。今天，我将揭秘如何用30行Node.js代码，打造一个智能Word文档差异比对工具，实现：

✅ 自动识别文本差异
✅ 智能标注修改痕迹
✅ 生成专业比对报告

一、安装所需依赖

npm install docx mammoth diff fs-extra

二、代码注释与技术原理详解

1、完整代码以及注释

/*** Word文档差异比较工具* 本脚本使用Node.js比较两个Word(.docx)文件的内容差异，并生成带有颜色标注的比较结果文档*/const fs = require('fs');
const path = require('path');
const { Document, Paragraph, TextRun, HeadingLevel, Packer } = require('docx');
const mammoth = require('mammoth');
const diff = require('diff');/*** 比较两个Word文件并生成差异报告* @param {string} file1Path - 第一个Word文件路径(原始文件)* @param {string} file2Path - 第二个Word文件路径(修改后的文件)* @param {string} outputPath - 差异报告输出路径* * 技术原理：* 1. 使用mammoth库提取两个Word文档的纯文本内容* 2. 使用diff库进行文本差异比较，识别添加、删除和未更改的部分* 3. 使用docx库构建新的Word文档，用不同颜色和样式标注差异部分*/
async function compareWordFiles(file1Path, file2Path, outputPath) {try {// 提取两个Word文件的文本内容// mammoth.extractRawText会解析docx文件的XML结构，提取所有文本内容const file1Content = await extractTextFromDocx(file1Path);const file2Content = await extractTextFromDocx(file2Path);// 使用diff库比较文本差异// diffWords函数会将文本分解为单词级别的差异，返回一个差异对象数组// 每个差异对象包含value(文本内容)和added/removed标志const differences = diff.diffWords(file1Content, file2Content);// 使用docx库创建新的Word文档// Document对象表示整个Word文档，包含一个或多个sectionsconst doc = new Document({sections: [{properties: {},children: [// 文档标题new Paragraph({text: "Word文档差异比较结果",heading: HeadingLevel.HEADING_1,spacing: { after: 200 } // 设置段后间距(单位:twip,1/20磅)}),// 原始文件信息new Paragraph({text: `原文件: ${path.basename(file1Path)}`,spacing: { after: 100 }}),// 修改后文件信息new Paragraph({text: `新文件: ${path.basename(file2Path)}`,spacing: { after: 200 }}),// 插入差异内容段落...generateDiffParagraphs(differences)]}]});// 将Document对象转换为Buffer并写入文件// Packer.toBuffer内部使用JSZip库打包docx文件(本质上是ZIP格式的XML文件集合)const buffer = await Packer.toBuffer(doc);fs.writeFileSync(outputPath, buffer);console.log(`差异比较结果已保存到: ${outputPath}`);} catch (error) {console.error('比较过程中出错:', error);}
}/*** 从Word文档中提取纯文本内容* @param {string} filePath - Word文件路径* @returns {Promise<string>} 提取的纯文本内容* * 技术原理：* mammoth库解析docx文件(实际是ZIP压缩的XML文件)，* 遍历document.xml中的段落和文本节点，拼接成纯文本字符串*/
async function extractTextFromDocx(filePath) {const result = await mammoth.extractRawText({ path: filePath });return result.value;
}/*** 根据差异结果生成带有样式标注的段落数组* @param {Array} differences - diff库生成的差异数组* @returns {Array} 包含Paragraph对象的数组* * 技术原理：* 1. 处理diff库输出的差异数组，每个部分可能是added/removed/unchanged* 2. 按换行符分割文本，确保每个段落独立* 3. 为不同差异类型创建不同样式的TextRun:*    - 新增内容: 蓝色(#1800a1)、加粗*    - 删除内容: 红色(#FF0000)、删除线*    - 未更改内容: 黑色(#000000)*/
function generateDiffParagraphs(differences) {const paragraphs = [];let currentParagraph = [];// 遍历每个差异部分differences.forEach(part => {// 按换行符分割文本，处理多行内容const lines = part.value.split('\n');lines.forEach((line, lineIndex) => {// 跳过空行if (line.trim() === '') return;let textRun;if (part.added) {// 新增内容样式textRun = new TextRun({text: line,color: '1800a1', // 蓝色表示新增bold: true       // 加粗突出显示});} else if (part.removed) {// 删除内容样式textRun = new TextRun({text: line,color: 'FF0000', // 红色表示删除strike: true      // 删除线表示已移除});} else {// 未更改内容样式textRun = new TextRun({text: line,color: '000000'  // 黑色表示未更改});}// 将文本段添加到当前段落currentParagraph.push(textRun);// 如果不是最后一行，创建新段落if (lineIndex < lines.length - 1) {paragraphs.push(new Paragraph({children: currentParagraph}));currentParagraph = []; // 重置当前段落}});});// 添加最后一个未完成的段落if (currentParagraph.length > 0) {paragraphs.push(new Paragraph({children: currentParagraph}));}return paragraphs;
}// 使用示例
const file1 = path.join(__dirname, './word/dl_v1.docx');
const file2 = path.join(__dirname, './word/js_xg_v1.docx');
const output = path.join(__dirname, './word/comparison_result.docx');// 执行比较
compareWordFiles(file1, file2, output);

2、关键技术原理详解

Word文档解析:
- mammoth库解析.docx文件(实际是ZIP压缩包)，提取其中的document.xml文件内容
- 解析XML结构，提取所有文本节点，忽略格式、图片等非文本元素
差异比较算法:
- diff库使用Myers差分算法找出两个文本序列的最长公共子序列(LCS)
- diffWords方法进行单词级别的比较，比字符级比较更符合文档比较的需求
Word文档生成:
- docx库构建符合Office Open XML标准的Word文档结构
- 文档结构包含段落(Paragraph)、文本块(TextRun)等元素
- 颜色使用16进制RGB格式表示(如1800a1表示蓝色)
差异可视化:
- 新增内容用蓝色加粗显示，便于识别添加的内容
- 删除内容用红色删除线显示，表示已移除的内容
- 保留原始文本的段落结构，确保可读性
文件处理:
- 最终生成的.docx文件实际上是包含多个XML文件的ZIP压缩包
- Packer.toBuffer方法将内存中的文档结构打包成符合标准的.docx文件