如何从纯 C++ 中的 MS Word 文档文件中提取纯文本？ [关闭]答案

【问题标题】：How to extract plain text from MS word document file in pure C++? [closed]如何从纯 C++ 中的 MS Word 文档文件中提取纯文本？ [关闭]
【发布时间】：2012-01-05 08:05:30
【问题描述】：

是否有任何纯 C++ 库可以从 .doc 文件中提取纯文本？

我正在开发一个 C++ 程序来读取 .doc 和 .pdf 文件。我必须从文件中提取纯文本并将其写入 .txt 文件。

【问题讨论】：

stackoverflow.com/q/5671988/79455，尤其是 libopc

标签： c++

【解决方案1】：

您始终可以使用 OIVT（我认为是 OutsideIn Viewer Technology）现在由 oracle 拥有。

老实说，这不是一个便宜的解决方案，虽然此产品允许您查看、打印等...我想如果我没记错的话，他们确实提供了将内容提取为文本或他们是另一种产品。它可以从几乎任何文档类型（包括 doc、docx、pdf（仅举几例））中执行此操作，而无需使用安装的“原始”应用程序，因为它们有自己的一组过滤器。

这是一个帮助您入门的链接

Outside In Viewer Technolog

祝你好运

【讨论】：

The Outside In Technology 还提供了一些其他方法来从文档中提取文本。内容访问和搜索导出的 SearchText 模式。

【解决方案2】：

对于文档 - 使用 Word object model 获取文档并提取文本。这个example 使用 OLE 自动化和 C 。另一个 link for DOCX 可能对你有帮助。

对于 PDF - 使用 Haru 。

【讨论】：

@jmsu - 你确定吗？文档说“文档句柄（HPDF_Doc）-文档句柄是对文档对象进行操作的句柄。”虽然我没有在 HARU 上工作过，但常识让我认为一旦获得文档句柄，就可以阅读文档。

【解决方案3】：

您可以查看 Abiword 使用的开源 C 库，wv。

您也可以调用批量转换工具

开源批处理转换器，基于 OpenOffice：http://dag.wieers.com/home-made/unoconv/
Unix 的开源：http://www.wagner.pp.ru/~vitus/software/catdoc/
Windows 专用：http://doc2txt.com/。请注意，我还没有尝试过这个。

【讨论】：

我没有使用 vc++。我必须在纯 C++ 中实现它（例如在 Ecliplse cdt 中）。
这三个批处理工具可以通过调用外部程序来使用。这不依赖于任何特定的 C 编译器。 C 库wv 用 GCC 编译得很好，并用于跨平台的 Abiword。我真的不明白为什么你认为你使用的编译器很重要？
你能解释一下如何用c++实现这些批处理工具吗？
你不实现它们，你调用它们。您从您的程序中调用该程序。最简单的方法是使用system()。
谢谢。但我不想在我的程序中运行其他应用程序。我需要代码或库来从 .doc 文件中提取纯文本字符串。

【解决方案4】：

如果您想操作/读取 .doc 文件，您可以花时间学习格式并手动操作 .doc 文件。您可以通过MSDN page linking to the format-specification (PDF file) 获取它。
我承认，这需要大量阅读，但是如果您正在寻找创建软件来操作/读取文件，您应该具备相关的基础知识来支持它。

pdf 格式也是如此（它是一种开放格式，因此应该很容易找到这样的规范）。

【讨论】：

我尝试为 pdf 执行此操作。编写了我自己的简单 Pdf 解析器来提取文本、附件和图像。编写初始解析器很容易，但构成文件的 pdf 流可以编码为具有大量参数的一长串编码。这比理智的工作要多得多，我在这一点上停了下来。