用C ++ / Qt编写的程序中的RTF / doc / docx文本提取

Question

我正在Qt / C ++编写一些程序，我需要阅读Microsoft Word / RTF / docx文件中的文字。

我正在寻找一些可以进行提取的命令行程序。它可能是几个程序。

我发现最接近的是 DocToText ，但它有几个错误，所以我无法使用它。 我还在PC上安装了Microsoft Word。也许有一些方法可以使用它阅读文本（不知道如何使用COM）？

Answer 1

现在，这非常丑陋且非常hacky，但它似乎对我来说是基本的文本提取。显然在Qt程序中使用它你必须为它生成一个进程等，但我一起攻击的命令行是：

unzip -p file.docx | grep '<w:t' | sed 's/<[^<]*>//g' | grep -v '^[[:space:]]*$'

那就是：

unzip -p file.docx ： - p ==“解压缩到stdout”

grep'＆lt; w：t'：抓住包含'＆lt; w：t'的行（＆lt; w：t＆gt;是“text”的Word 2007 XML元素，如据我所知）

sed's /＆lt; [^＆lt;] ＆gt; // g'*：删除标签内的所有内容

grep -v'^ [[：space：]] $'*：删除空行

这可能是一种更有效的方法，但它似乎对我使用的几个文档起作用。

据我所知，unzip，grep和sed都有适用于Windows和任何Unix的端口，所以它应该是合理的跨平台。鄙视是一个丑陋的黑客;）

Answer 2

尝试Apache Tika

Answer 3

我建议不使用COM，因为这会首先打败像Qt这样的便携式库的使用。

您可能希望使用经典catdoc或类似工具，例如wvWare。

请注意，尽管catdoc作者声称catdoc在Windows下无效，但仍有posting of 2001 which states the opposite。

Answer 4

要阅读.doc文件，您可以使用structured storage API。 .doc基本上是一个结构化存储库，其中各种流对应于文档的各个部分 请注意，它是一个非常多毛的API，即使使用这个API，一个.doc文件也可能非常混乱。
Ofcouse这仍然只是Windows，但至少它不是COM。只是一个普通的旧C API。

Answer 5

这可能会有所帮助。它是跨平台的，具有API http://www.winfield.demon.nl/

否则，如果这只是windows，那么iFilter方法就是这样。它将允许您解析系统上具有iFilter的任何内容。以下是此http://the-lazy-programmer.com/blog/?p=8的示例。我已经使用了C＃端的iFilter。