Question

如何扫描一堆Microsoft Word（2003）文档？我在文档中搜索某个短语，并希望返回包含短语的文件名。

代码示例特别有用。

Answer 1

你可以用COM做到这一点。但是，如果您要扫描大量文件，这可能会非常缓慢，因为您将通过Word本身与文本进行交互。

这里有一些python代码使用（抱歉，我不太了解.Net，但COM功能会类似）

我猜你可能需要稍微调整空白才能获得好的匹配。

import os, win32com.client

def doc_has_phrase(filename, phrase):
    found = False
    app = win32com.client.Dispatch('Word.Application')
    doc = app.Documents.Open(filename, False, False, False)
    if phrase in doc.Content.Text.lower():
        found = True
    app.Quit()
    return found

phrase = 'key phrase in lowercase'
valid_types = ['doc']
path = "C:\\Path\\To\\Files\\"

docs = dict ([(f, None) for f in os.listdir (path) if f[-3:] in valid_types])
for doc in docs:
    print doc_has_phrase(path+doc, phrase), path+doc

Answer 2

allclaws方法的VB.NET版本：

Function ContainsText(ByVal fileName As String, ByVal text As String) As Boolean

    Dim app As New Microsoft.Office.Interop.Word.Application
    Dim doc As Microsoft.Office.Interop.Word.Document
    doc = app.Documents.Open(DirectCast(fileName, Object))

    Try
        Return doc.Content.Text.IndexOf(text, StringComparison.CurrentCultureIgnoreCase) <> -1
    Finally
        app.Quit()
    End Try

End Function

修改

要完成此工作，您需要添加对Microsoft Word 11.0对象库的引用，该对象可在“添加引用”对话框的“COM”选项卡上找到

Answer 3

对于2007年的文档，使用Open XML SDK 2.0 framework相当容易。这些文件基本上是一个zip文件，zip文件中包含一堆包含文档内容的xml文件。您所要做的就是扫描xml以使用此框架找到所需内容。

事实上，如果您有一个名为testDoc.docx的单词2007文档，您可以在其末尾添加.zip，然后您可以查看内部。所以它看起来像testDoc.docx.zip

主xml文件是名为document.xml的文件

Answer 4

在Word 2003中，您可以搜索二进制文件，其中大多数文本都是完整的。

Answer 5

如果您可以访问antiword和grep，它应该像

一样简单

for file in `antiword *.doc | grep -vf word_to_find`
do
    echo "$file"
done

Answer 6

您可以使用Word Object Model

Answer 7

手头没有代码示例。但是，你看过Windows索引服务并安装Office插件吗？

Answer 8

Word Interop服务是您的选择吗？如果在服务器上安装了Word，则只需打开word文档并使用Word自身的查找功能来查找文本。当然，这是一种资源密集型方法，使用Interop服务时需要注意很多事情，但它可以完成工作。

您最大的问题可能是需要在服务器上安装适当版本的Word。

扫描一堆给定短语的Word文档

8 个答案: