-
-
[原创]脱离Office环境提取word中的数据
-
发表于: 2011-5-26 11:15
-
在网上看了不少，都是调用COM接口，需要Office环境支持，自己动手写了一个。
随便使用，随便修改。
脱离office环境提取word中数据
前言：
由于项目需要，对word2003和word2007的文件结构进行了分析，并自己写了个小工具用于提取word中的文本信息。
当然，如果要提取其他信息（图片等），根据结构进行分析也用不了太长时间。
Word2007结构比较简单一点：
它其实是一个压缩包，具体分析网上很多，不多说。参照源码也很容易理解。
具体过程就是：
（1） 解压缩；
（2） 解析XML文件，（对于文本信息，解析word目录下的document.xml文件即可；
（3） 提取文本，（document.xml中的文字信息是以UTF-8格式存储的，提取出来转化为GBK码）转换过程UTF-8UNICODEGBK
Word2003结构可以用Offvis简单查看一下，但Offvis的解析结果有点问题，我刚开始就是太相信它了，一直出问题，后来看了microsoft的官方文档才弄清楚了。
Word2003结构比较复杂，具体的就不说了，参考文献结合源码应该很容易看清楚，要知道word2003中流的概念，所有的结构都是串起来的流，每个块的大小一般为0x200.
Word2003中的文字存储进行了优化，可以按照ascii存放的字符就直接存成了ascii码，其他则进行Unicode编码后再存放。取出来要进行统一编码。
详细下载看。
[培训]内核驱动高级班，冲击BAT一流互联网大厂工作，每周日13:00-18:00直播授课
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
我是菜鸟，玩不起...
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
挺好！
|
|
|
|
|
|
|
|
|
是压缩包？不是流存储么？
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
