从Microsoft Word中提取数据的最佳方法

Question

软件的发行说明包含一些我想在每个版本中提取的重要数据。有没有办法从Microsoft Word中提取某些信息？

我正在考虑的应用程序将用C＃编写，但如果是其他任何解决方案我都没关系。

Answer 1

所有MS Office产品（Word，Office等）都是完全可编写脚本的，包括内部（使用VBA）和外部（通过OLE Automation，也称为ActiveX;实际上，VBA使用通过OLE公开的接口）。

我的建议是用您的语言寻找支持此功能的库。 Here是指向Perl模块Win32::OLE的链接，它可以做到：正如您所看到的，它非常易于使用且非常强大。对于其他语言，界面应该类似。

Answer 2

几年前我经历过这个。你可以：

1. 使用Word将文件转换为其他格式，ASCII，RTF，XML等。

2. 使用某些第三方应用转换为其他格式，例如ASCII。

3. 通过OLE访问Word API并直接提取信息。

我找不到任何通用库来读取Word文件，然后所有读取Word文件的应用程序只能用于子集。 Word经常改变，以至于他们无法跟上。

有些文档列出了旧Word文件格式的细节，底层文件结构非常复杂。如果没有大量资源，就很难让代码与文件格式保持同步。

最初，我使用Perl来驱动Word并创建新文档，但解决方案太脆弱了。后来我将整个应用程序切换为使用PDF，而放弃了Word。

保罗。

Answer 3

可能不是最优雅的解决方案，但这似乎是最轻的方法：使用Cscript。

只是在示例文字doc（2003）上尝试过，它完美无缺。

更多信息：http://www.gregthatcher.com/Papers/VBScript/WordExtractScript.aspx

Answer 4

我使用VSTO（Visual Studio Tools for Office）工具进行了大量的Excel编程，我认为您将能够使用VSTO API来读取文档doc。您应该能够使用C＃

Answer 5

您可以编写IFilter来从word文件中提取文本。无需安装Word。

Answer 6

您可以在Word（VBA，VSTO）内部或外部工作。

从外部来看，自动化是一种方法。

另一种方法是完全避免使用Word。如果文档是.docx，则可以使用任何可以操作Open XML文件的内容。 Microsoft拥有Open XML SDK，在Java世界中，您可以使用docx4j或POI。