您的位置：首页 > 其它

利用Minidx Extract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容

2009-12-03 21:32 681 查看

利用MinidxExtract-TextCom组件从Word,Xls,Pdf……等文件中读取文本内容

ByMinidxer|December31,2007

不少人对Google，Baidu等搜索引擎可以“找到”你放在服务器上的Word的Doc,Excel的xls以及Pdf等各种文件而感到惊叹不已，也有不少人发来邮件询问我Minidx文件管理器中从各种格式的文件中读取文本内容是如何实现的。Linux平台实现起来比较复杂一些，不过对于Windows用户来说，其实利用微软Ifilter的Indexingservice接口，可以比较容易的实现上面的功能。Minidx支持200多种文件格式，其实也是利用了Ifilter的接口。实现的基本原理，就是写一个Com组件，去查找系统中相应文件格式的API接口所在的Dll路径，然后调用抽取文本。

在上面的微软Ifilter中有关于IFilter的基本概念的介绍，这里不再重复，另外在codeproject的UsingIFilterinC#中，可以找到C#的实现并且可以下载到源代码。因为性能上的考虑，Minidx文件管理器的这一部分完全利用C++实现，并封装为Com组件，下面主要是对如何通过调用这一Com组件在自己的程序中实现Doc，Xls，Pdf，msg等等文本阅读等功能作一些说明。

●Demo压缩包构造（压缩包可以从这里下载）

demo_vb.zip———–demo_vb.sln整个解决方案（solution）文件

|———demo_vb.suo　用户配置文件

　　　　　　　　　|———demo_vb—-bin——–Debug—-demo_vb.exeDebug版本目标文件

|———Release—demo_vb.exeRelease版本目标文件

|—MyProject(忽略)

|—obj编译生成的临时文件

|—demo_vb.vbproj工程文件

|—ExtractText.dll文本抽取Com组件

|—Form1.Designer.vbDemo的GUI文件

|—Form1.resx资源文件

|—Form1.vbDemo的源代码文件

|—run.batCom组件注册命令

●执行Demo

①、双击run.bat执行，注册Com组件

②、双击demo_vb\bin\Release或者demo_vb\bin\Debug目录下的demo_vb.exe

③、点“File”，选择对象文件

④、选中文件，查看抽取文本结果。（下面分别是中日英Word的抽取结果）

注意:抽取文本对象文件需要有读写权限，正在编辑中的文件抽取文本时可能会出错。

●Demo代码说明

首先当然需要导入Dll组件，下面的代码很简单，也都有注释，应该不难理解，这里不再累述，有什么不明白或者有什么问题的话，可以提出来一起探讨，：）

'-----------------------------

[code]'desc:Extracttextfromselectedfile

'-----------------------------

PrivateSubSelectFileDialog_FileOk(ByValsenderAsSystem.Object,ByValeAsSystem.ComponentModel.CancelEventArgs)HandlesSelectFileDialog.FileOk

OnErrorGoToErrH

'getselectedfull-pathfilename

DimsFileAsString=SelectFileDialog.FileName

'setfilename

txtFilePath.Text=sFile

'setExtractTextmodule

DimteAsExtractTextLib.TextExtractor=NewExtractTextLib.TextExtractor

DimsTextAsString

sText=te.ExtractText(sFile,MAX_EXTRACT_TEXT_SIZE)

Err.Clear()

'Me.FileLength.Text=Len(sText).ToString()

Me.ExtractText.Text=sText

ExitSub

ErrH:

MsgBox("Errorextractingtextfrom'"&sFile&"'Err="&Err.Number&"-"&Err.Description&"in"&Err.Source)

EndSub

[/code]

工程的DLL和Demo源代码从这里下载,C/C++调用的Demo还在制作中，有兴趣的高手们也可以制作Php，Delphi，C#等各种语言调用的Demo以供分享~~，实际上原理是一样的。有什么问题可以直接在这里留言或者在Minidx帮助论坛发贴寻找帮助。该模块可用于任何商业和非商业的用途，如果你愿意的话，可以发一个邮件给我告诉我这一模块被用在了你的项目中，那么当你取得成功的时候，我也可以向我的朋友们吹嘘一下，当然这不是必需的，：）

Topics:Minidx相关|29Comments»|830viewsTags:C++,Com组件,doc,ExtractText,IFilter,indexingservice,Minidx,pdf,VB.net,xls,搜索引擎

你可能还对下列文章感兴趣:

利用MinidxExtract-TextCom组件从doc,Xls,Pdf……等读取文本内容VCDemo

利用MinidxExtract-TextCom组件封装类的实现

利用MinidxExtract-TextCom组件从doc,Xls,Pdf……等读取文本内容VC2003Demo

SWIG发布1.3.33版本

Minidx.RC1.1的中日英版本下载数都已经超过1K了

qinai-12/31/2007at11:41pm

看到了你的邮件，令我感动也令我吃惊。不说了，谢谢！

祝新年快乐！以后会常来和你学习，谢谢！

Minidxer-12/31/2007at11:50pm

@qinai
呵呵，兄弟不用客气~~~~

sorryle-01/1/2008at3:09am

不谈技术，只来拜年，新年快乐minidx

Minidxer-01/1/2008at8:47am

@sorryle
谢谢~~~新年快乐sorryle，呵呵

yiyix-01/1/2008at2:07pm

看不懂，先拜年~~~

Minidxer-01/1/2008at3:22pm

@yiyix
呵呵，拜年拜年~~~

有图-01/1/2008at4:56pm

很厉害哦以后经常来看

Minidxer-01/1/2008at4:58pm

@有图
谢谢~呵呵,欢迎经常来哦

tip-01/2/2008at9:39am

原来是这样的，hoho
学习中

pp-01/9/2008at9:42pm

Extract.dll和intero.ExtractTextLib.dll两个dll是什么关系？
com组件不提供接口说明，大家不指导如何开发啊

Minidxer-01/10/2008at12:53am

@pp
可以参照这里：http://blog.minidx.com/2008/01/10/373.html
intero.ExtractTextLib.dll是编译时生成的，忘记删掉了。

skybright-04/14/2008at3:51pm

我下了个vc2005的源代码为什么编译的时候有错——————–Configuration:demo_vc–Win32Debug——————–
Compiling…
demo_vc.cpp
e:\我的文档\demo_vc2005_wrap\demo_vc2005_wrap\demo_vc\demo_vc.cpp(16):errorC2059:syntaxerror:‘&&’
e:\我的文档\demo_vc2005_wrap\demo_vc2005_wrap\demo_vc\demo_vc.cpp(16):errorC2143:syntaxerror:missing‘;’before‘}’
e:\我的文档\demo_vc2005_wrap\demo_vc2005_wrap\demo_vc\demo_vc.cpp(16):errorC2143:syntaxerror:missing‘;’before‘}’
e:\我的文档\demo_vc2005_wrap\demo_vc2005_wrap\demo_vc\demo_vc.cpp(17):errorC2143:syntaxerror:missing‘;’before‘{’
e:\我的文档\demo_vc2005_wrap\demo_vc2005_wrap\demo_vc\demo_vc.cpp(17):errorC2447:missingfunctionheader(old-styleformallist?)
e:\我的文档\demo_vc2005_wrap\demo_vc2005_wrap\demo_vc\demo_vc.cpp(17):errorC2143:syntaxerror:missing‘;’before‘}’
Errorexecutingcl.exe.

skybright-04/14/2008at3:53pm

我刚学组件有些还不是很懂。谢谢指教！

minidxer-04/14/2008at4:00pm

@skybright

你用的是VS2005吗？
我这里编译没有问题啊

其实你可以自己创建一个工程，把
ExtractText.dll
ExtractText.h
ExtractText_i.c
以及demo_vc.cpp的相关几行代码复制过去，组件按照上面的说明注册一下就可以用了。

skybright-04/14/2008at4:33pm

我试试。。谢谢先！

heroyo-08/19/2008at9:47pm

您好：我在系統的Lucene全文檢索功能，取用您的ExtractText.dll元件，以截取txt、office格式的附件，很感謝您在網路上釋出這麼好用的軟件。
請問程式中，宣告MAX_EXTRACT_TEXT_SIZE變數時，指定64M做為讀取文本內容的上限，64M是不是經過測試，所訂立出來的讀取上限呢？或是什麼原因之下，而訂立64M呢？
謝謝！

heroyo-08/20/2008at12:11pm

另外請教一個問題，請問ExtractText.dll元件是如何產出的呢？
1.Microsft元件？2.您撰寫的元件？

Minidxer-08/20/2008at12:16pm

@heroyo
关于第一个问题,请参考:
http://forum.minidx.com/thread-83-1-1.html

关于第二个问题,请参照正文开头的说明，
ExtractText.dll是基于微软的IFilter编写的Com组件。

icen-11/19/2008at2:40pm

您好!请问怎么运用在flashas3.0当中读取word并显示出来啊?

sky-06/5/2009at4:33pm

请问，针对Excel，有没有按照某个sheet，每一行的顺序提取出来的。

目前的方法，是一次性把所有信息提取出来，内容不知道是按照什么顺序提取出来的。

lwp-07/15/2009at1:56pm

您好：
我给您的minidxer@gmail.com邮箱发了封邮件请查收，需要您的帮助。

pang-08/6/2009at11:40am

关于从文件读取文本的问题咨询：
目前提取文档的接口如下：
ITextExtractor*te=NULL;
HRESULTCohr=CoCreateInstance(CLSID_TextExtractor,NULL,CLSCTX_INPROC_SERVER,IID_ITextExtractor,(void**)&te);
if(SUCCEEDED(Cohr)&&te)
{
te->ExtractText(fileName,0,&bstr);
te->Release();
}
在使用接口ExtractText析取文本的时候，文件的类型是通过fileName确定的，但我希望ExtractText增加一个参数：filetype（文件类型），这样我可以用自己指定的格式读取文本，例如：
我有一个text文件，文件名是a.text，但希望使用doc的方式来读取文件，目前我采用的措施是先重命名文件为a.doc，析取文本后再将文件改回a.text，操作比较麻烦，而如果接口添加关于文件类型的参数后，我就不用重命名了。
不知道您能否提供这样的接口，我目前的一个项目正需要这样的接口，如能提供将不胜感激！！！

Minidxer-08/8/2009at8:20am

@pang
增加这样的接口可以实现，不过由于个人时间等原因这个项目基本上处于停滞状态，实在抱歉。

tyq-10/12/2009at5:06pm

我想要一个VCDemo能给我发一个吗，谢谢

tyq-10/12/2009at5:07pm

我mail:tangyq169@sohu.com

Minidxer-10/12/2009at8:54pm

可以从http://blog.minidx.com/2008/01/10/373.html下载。

Trackbacks

全文检索博客»“全文检索(full-textsearch)”和“搜索引擎(searchengine)”的区别和联系

全文检索博客»利用MinidxExtract-TextCom组件从doc,Xls,Pdf……等读取文本内容VCDemo

利用MinidxExtract-TextCom组件封装类的实现|全文检索博客

内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理

标签：

相关文章推荐

新的分享

章节导航