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

利用MinidxExtract-Text Com组件从Word,Xls,Pdf……等文件中读取文本内容
By Minidxer | December 31, 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Using IFilter in C#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.exe   Debug版本目标文件
|———Release—demo_vb.exe  Release版本目标文件
|—My Project(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.vb  Demo的GUI文件
|—Form1.resx                资源文件
|—Form1.vb                   Demo的源代码文件
|—run.bat                      Com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，：）
1: '----------------------------- 2: ' desc: Extract text from selected file 3: '----------------------------- 4: Private Sub SelectFileDialog_FileOk(ByVal sender As System.Object, ByVal e As System.ComponentModel.CancelEventArgs) Handles SelectFileDialog.FileOk 5: On Error GoTo ErrH 6:   7: ' get selected full-path file name 8: Dim sFile As String = SelectFileDialog.FileName 9:   10: ' set file name 11: txtFilePath.Text = sFile 12:   13: ' set ExtractText module 14: Dim te As ExtractTextLib.TextExtractor = New ExtractTextLib.TextExtractor 15: Dim sText As String 16: sText = te.ExtractText(sFile, MAX_EXTRACT_TEXT_SIZE) 17: Err.Clear() 18:   19: 'Me.FileLength.Text = Len(sText).ToString() 20: Me.ExtractText.Text = sText 21:   22: Exit Sub 23: ErrH: 24: MsgBox("Error extracting text from '" & sFile & "' Err=" & Err.Number & "-" & Err.Description & " in " & Err.Source) 25: End Sub
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，：）