Documentos de análise de escritório

Question

I d gostaria de ser capaz de ler o conteúdo de documentos de escritório (por um rastreador personalizado).

A versão de escritório que precisam ser lidos são de 2000 a 2007. Eu quero principalmente para ser rastejando palavras, documentos Excel e PowerPoint.

Eu não quero para recuperar a formatação, apenas o texto nele.

O rastreador é baseado em lucene.NET se que podem ser de alguma ajuda e está em c #.

Eu já utilizado iTextSharp para analisar PDF

Answer 1

Aqui está um pouco agradável post no c-charpcorner por Krishnan LN que dá código básico para agarrar o texto de um documento do Word usando as assembleias Palavra de interoperabilidade primários.

Basicamente, você obter a propriedade "WholeStory" fora do documento do Word, colá-lo para a área de transferência, em seguida, puxe-o da área de transferência, enquanto convertendo-a em formato de texto. O passo área de transferência é presumivelmente feito para retirar a formatação.

Para o PowerPoint, você fazer uma coisa semelhante, mas você precisa para percorrer os slides, em seguida, para cada loop de slides através das formas, e agarrar a propriedade "TextFrame.TextRange.Text" em cada forma.

Para o Excel, uma vez que Excel pode ser uma fonte de dados OleDb, é mais fácil de usar ADO.NET. Aqui está um bom post por Laurent Bugnion que anda através desta técnica.

Answer 2

Se você já está usando Lucene.NET você pode apenas querer tirar vantagem dos vários IFilters já disponíveis para fazer isso. Dê uma olhada no código-fonte aberto SeekAFile projeto. Ela vai mostrar como usar um IFilter para abrir e extrair essas informações de qualquer tipo de arquivo em que um IFilter está disponível. Há IFilters para Word, Excel, PowerPoint, pdf, ea maioria dos outros tipos de documentos comuns.

Answer 3

Há um projeto open source excelente POI , único inconveniente - está escrito para Java . A porta .net é algo muito beta.

Answer 4

Aqui é uma lista boa de várias ferramentas para converter documentos do Word para texto simples, que você pode, então, fazer o que com.

Answer 5

Você também pode considerar verificar dtSearch (www.DtSearch.com). Embora seja essencialmente uma ferramenta de busca, ele faz um grande trabalho de extração de texto a partir de um grande número de tipos de arquivos e é consideravelmente mais barato do que outras opções como a tecnologia Oracle / Stellent Outsidein ou o equivalente de Autonomia.

Estou usando o dtSearch durante anos e encontrá-lo indispensável para este tipo de tarefa.