Kernel Memory项目中文档处理中的URI格式问题解析

背景介绍

在使用Kernel Memory项目处理Word文档时，开发人员可能会遇到一个特殊问题：当文档中包含格式错误的URI链接时，系统会抛出DocumentFormat.OpenXml.Packaging.OpenXmlPackageException异常。这个问题尤其出现在处理历史遗留文档时，这些文档可能包含使用反斜杠(\)而非正斜杠(/)的URI链接。

问题本质

问题的根源在于OpenXML SDK对URI格式的严格校验。当Word文档中包含类似http:\\\\google.com或quic:\\\\1234\456这样的非标准URI格式时，OpenXML库会拒绝处理这些文档。值得注意的是：

1. 现代Word版本(如Office 365)会自动纠正常见的协议前缀(如http/https)中的反斜杠
2. 但对于非标准协议前缀(如quic:/wss:等)，Word不会自动纠正
3. 只有当错误URI中包含至少三个反斜杠且第三个反斜杠后跟非空白字符时才会触发异常

技术分析

这个问题实际上是底层OpenXML SDK库的限制所致。虽然OpenXML SDK 3.x版本已经修复了这个问题，但由于Kernel Memory依赖的ClosedXML库仍在使用OpenXML 2.x版本，导致问题仍然存在。

ClosedXML项目已经合并了相关修复，但尚未发布包含该修复的正式版本(预计在0.104版本中发布)。

临时解决方案

针对这个问题的临时解决方案是批量移除文档中的所有超链接但保留链接文本。以下是实现这一功能的C#扩展方法：

using DocumentFormat.OpenXml.Packaging;
using DocumentFormat.OpenXml.Wordprocessing;

public static class OpenXmlExtensions
{
    public static void BulkRemoveHyperlinks(this Stream docStream)
    {
        using var doc = WordprocessingDocument.Open(docStream, true, new OpenSettings() {
            AutoSave = true
        });
        doc.BulkRemoveHyperlinks();
    }

    public static void BulkRemoveHyperlinks(this WordprocessingDocument doc)
    {
        if (doc.MainDocumentPart?.Document.Body == null) return;

        foreach (var link in doc.MainDocumentPart.Document.Body.Descendants<Hyperlink>()) {
            if (!string.IsNullOrEmpty(link.Id)) {
                var hr = doc.MainDocumentPart.HyperlinkRelationships.Single(hr => hr.Id == link.Id);
                doc.MainDocumentPart.DeleteReferenceRelationship(hr.Id);
            }

            var linkText = link.InnerText;
            var run = new Run(new Text(linkText));
            link.Parent?.ReplaceChild(run, link);
        }

        if (!doc.AutoSave) {
            doc.Save();
        }
    }
}

最佳实践建议

1. 对于新创建的文档，应确保使用正确的URI格式
2. 处理历史文档时，可以先使用上述方法清理超链接
3. 关注ClosedXML项目的更新，待新版本发布后升级依赖
4. 对于关键业务场景，考虑实现文档预处理流程，自动检测和修复格式问题

总结

Kernel Memory项目在处理包含非标准URI格式的Word文档时会遇到兼容性问题。虽然问题的根本解决需要等待依赖库的更新，但通过实现文档预处理逻辑，开发人员可以有效地规避这一问题。这种解决方案不仅适用于当前场景，也为处理其他可能出现的文档格式兼容性问题提供了思路。